論文の概要: Wavelet Scattering Networks for Atomistic Systems with Extrapolation of Material Properties

• arxiv url: http://arxiv.org/abs/2006.01247v2
• Date: Fri, 17 Jul 2020 01:34:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:57:49.594833
• Title: Wavelet Scattering Networks for Atomistic Systems with Extrapolation of Material Properties
• Title（参考訳）: 物質特性を外挿した原子系のウェーブレット散乱ネットワーク
• Authors: Paul Sinz and Michael W. Swift and Xavier Brumwell and Jialin Liu and Kwang Jin Kim and Yue Qi and Matthew Hirn
• Abstract要約: 物質科学における機械学習の夢は、モデルが原子系の基礎となる物理学を学ぶことである。 本研究では、トレーニングセットに含まれていないプロパティに対する$textLi_alphatextSi$ Energy predictorの一般化性をテストする。
• 参考スコア（独自算出の注目度）: 7.555136209115944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dream of machine learning in materials science is for a model to learn the underlying physics of an atomic system, allowing it to move beyond interpolation of the training set to the prediction of properties that were not present in the original training data. In addition to advances in machine learning architectures and training techniques, achieving this ambitious goal requires a method to convert a 3D atomic system into a feature representation that preserves rotational and translational symmetry, smoothness under small perturbations, and invariance under re-ordering. The atomic orbital wavelet scattering transform preserves these symmetries by construction, and has achieved great success as a featurization method for machine learning energy prediction. Both in small molecules and in the bulk amorphous $\text{Li}_{\alpha}\text{Si}$ system, machine learning models using wavelet scattering coefficients as features have demonstrated a comparable accuracy to Density Functional Theory at a small fraction of the computational cost. In this work, we test the generalizability of our $\text{Li}_{\alpha}\text{Si}$ energy predictor to properties that were not included in the training set, such as elastic constants and migration barriers. We demonstrate that statistical feature selection methods can reduce over-fitting and lead to remarkable accuracy in these extrapolation tasks.
• Abstract（参考訳）: 材料科学における機械学習の夢は、モデルが原子システムの基礎となる物理学を学習することであり、トレーニングセットの補間を超えて、元のトレーニングデータに存在しない特性の予測に移行することができる。 機械学習アーキテクチャとトレーニング技術の進歩に加えて、この野心的な目標を達成するには、3D原子システムを回転対称性と翻訳対称性、小さな摂動下での滑らかさ、再順序下での不変性を保存する特徴表現に変換する方法が必要である。 原子軌道ウェーブレット散乱変換は、これらの対称性を構築によって保存し、機械学習エネルギー予測の成果化手法として大きな成功を収めた。 小さな分子とバルクアモルファスな$\text{li}_{\alpha}\text{si}$システムの両方において、ウェーブレット散乱係数を特徴とする機械学習モデルは、計算コストのごく一部で密度汎関数理論に匹敵する精度を示している。 本研究では、弾性定数やマイグレーション障壁など、トレーニングセットに含まれていないプロパティに対して、$\text{li}_{\alpha}\text{si}$ energy predictorの一般化可能性をテストする。 統計的特徴選択手法が過剰フィッティングを減少させ,これらの外挿作業において顕著な精度をもたらすことを実証する。

関連論文リスト

• Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory [4.59916193837551]
  原子論的機械学習(ML)は、情報内容を分析するために教師なし学習やモデル予測に依存していることが多い。 本稿では、原子論シミュレーションにおける情報内容の定量化のための厳密なモデルフリーツールを提供する理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-18T17:50:15Z)
• Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
  基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。 しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。 ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
  論文  参考訳（メタデータ） (2023-08-24T21:41:29Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• SE(3)-equivariant prediction of molecular wavefunctions and electronic densities [4.2572103161049055]
  本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。 本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。 低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T08:57:46Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
  機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。 アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。 アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証 転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
  論文  参考訳（メタデータ） (2020-03-10T19:06:32Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。