Fugu-MT 論文翻訳(概要): ML4Chem: A Machine Learning Package for Chemistry and Materials Science

論文の概要: ML4Chem: A Machine Learning Package for Chemistry and Materials Science

arxiv url: http://arxiv.org/abs/2003.13388v1
Date: Mon, 2 Mar 2020 00:28:19 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 04:58:58.649791
Title: ML4Chem: A Machine Learning Package for Chemistry and Materials Science
Title（参考訳）: ML4Chem: 化学と材料科学のための機械学習パッケージ
Authors: Muammar El Khatib, Wibe A de Jong
Abstract要約: ML4Chemは、化学と材料科学のためのオープンソースの機械学習ライブラリである。機械学習モデルとパイプラインの開発とデプロイのための拡張可能なプラットフォームを提供する。ここでは、実装、デプロイ、推論のためのアトミックモジュールを紹介します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: ML4Chem is an open-source machine learning library for chemistry and materials science. It provides an extendable platform to develop and deploy machine learning models and pipelines and is targeted to the non-expert and expert users. ML4Chem follows user-experience design and offers the needed tools to go from data preparation to inference. Here we introduce its atomistic module for the implementation, deployment, and reproducibility of atom-centered models. This module is composed of six core building blocks: data, featurization, models, model optimization, inference, and visualization. We present their functionality and easiness of use with demonstrations utilizing neural networks and kernel ridge regression algorithms.
Abstract（参考訳）: ML4Chemは、化学と材料科学のためのオープンソースの機械学習ライブラリである。マシンラーニングモデルとパイプラインの開発とデプロイのための拡張可能なプラットフォームを提供し、非専門家および専門家ユーザを対象としている。 ML4Chemはユーザエクスペリエンスの設計に従い、データ準備から推論までに必要なツールを提供する。ここでは、原子中心モデルの実装、デプロイ、再現性のためのアトミックモジュールを紹介する。このモジュールは、データ、成果化、モデル、モデルの最適化、推論、視覚化の6つのコアビルディングブロックで構成されている。ニューラルネットワークとカーネルリッジ回帰アルゴリズムを用いた実演で、それらの機能と使いやすさを示す。

関連論文リスト

Deep Fast Machine Learning Utils: A Python Library for Streamlined Machine Learning Prototyping [0.0]
Deep Fast Machine Learning Utils (DFMLU)ライブラリは、機械学習プロセスのアスペクトを自動化および拡張するために設計されたツールを提供する。 DFMLUはモデル開発とデータ処理をサポートする機能を提供します。この原稿はDFMLUの機能の概要を示し、各ツールにPythonの例を提供している。
論文参考訳（メタデータ） (2024-09-14T21:39:17Z)
MLatom 3: Platform for machine learning-enhanced computational chemistry simulations and workflows [12.337972297411003]
機械学習(ML)は、計算化学における一般的なツールになりつつある。 MLatom 3は、MLのパワーを活用して典型的な計算化学シミュレーションを強化するプログラムパッケージである。ユーザーは、事前訓練されたMLモデルと量子力学的近似を含む幅広いメソッドのライブラリから選択できる。
論文参考訳（メタデータ） (2023-10-31T03:41:39Z)
CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。 CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
論文参考訳（メタデータ） (2023-05-31T05:24:48Z)
CodeGen2: Lessons for Training LLMs on Programming and Natural Languages [116.74407069443895]
我々はエンコーダとデコーダベースのモデルを単一のプレフィックスLMに統一する。学習方法は,「フリーランチ」仮説の主張を考察する。データ配信においては,混合分布と多言語学習がモデル性能に及ぼす影響について検討した。
論文参考訳（メタデータ） (2023-05-03T17:55:25Z)
Synthetic data enable experiments in atomistic machine learning [0.0]
既存のMLポテンシャルモデルから,原子単位のエネルギーをラベル付けした大規模データセットの使用を実演する。このプロセスの安価さは、量子力学の土台真実に比べれば、数百万のデータポイントを生成できる。合成データラベルの学習は、後続の小さなデータセットの微調整に有用な事前学習タスクであることを示す。
論文参考訳（メタデータ） (2022-11-29T18:17:24Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
OmniXAI: A Library for Explainable AI [98.07381528393245]
eXplainable AI(XAI)のオープンソースPythonライブラリであるOmniXAIを紹介する。オールニウェイで説明可能なAI機能と、さまざまな解釈可能な機械学習技術を提供する。実践者にとってこのライブラリは、アプリケーションの説明を生成するために、使いやすく統合されたインターフェースを提供する。
論文参考訳（メタデータ） (2022-06-01T11:35:37Z)
SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文参考訳（メタデータ） (2021-12-22T14:45:37Z)
AugLiChem: Data Augmentation Library of Chemical Structures for Machine Learning [12.864696894234715]
AugLiChemは化学構造のためのデータ拡張ライブラリである。結晶系と分子の増進法が導入された。拡張戦略を用いることで,MLモデルの性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2021-11-30T04:07:24Z)
MLMOD: Machine Learning Methods for Data-Driven Modeling in LAMMPS [0.0]
マイクロスケール力学と分子動力学を特徴付けるためのプロトタイプC++/Pythonパッケージを提案する。このパッケージは、現在、メソモッドおよび分子動力学シミュレーションパッケージLAMMPSとPyTorchと統合されている。
論文参考訳（メタデータ） (2021-07-29T22:55:26Z)
Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文参考訳（メタデータ） (2020-12-02T02:09:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。