論文の概要: Simple and efficient algorithms for training machine learning potentials to force data

• arxiv url: http://arxiv.org/abs/2006.05475v1
• Date: Tue, 9 Jun 2020 19:36:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 15:39:38.806272
• Title: Simple and efficient algorithms for training machine learning potentials to force data
• Title（参考訳）: データ強制のための機械学習ポテンシャルを訓練するシンプルで効率的なアルゴリズム
• Authors: Justin S. Smith, Nicholas Lubbers, Aidan P. Thompson, Kipton Barros
• Abstract要約: Ab initio量子シミュレーションのデータに基づいて訓練された機械学習モデルは、前例のない精度で分子動力学ポテンシャルを生み出している。 制限要因の1つは、利用可能なトレーニングデータの量であり、入手するのにコストがかかる。 有機化学およびバルクアルミニウムのための実世界のデータセットから力のトレーニングにより、その精度をベンチマークする。
• 参考スコア（独自算出の注目度）: 2.924868086534434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Abstract Machine learning models, trained on data from ab initio quantum simulations, are yielding molecular dynamics potentials with unprecedented accuracy. One limiting factor is the quantity of available training data, which can be expensive to obtain. A quantum simulation often provides all atomic forces, in addition to the total energy of the system. These forces provide much more information than the energy alone. It may appear that training a model to this large quantity of force data would introduce significant computational costs. Actually, training to all available force data should only be a few times more expensive than training to energies alone. Here, we present a new algorithm for efficient force training, and benchmark its accuracy by training to forces from real-world datasets for organic chemistry and bulk aluminum.
• Abstract（参考訳）: ab initio量子シミュレーションのデータに基づいてトレーニングされた抽象機械学習モデルは、前例のない精度で分子動力学ポテンシャルをもたらす。 制限要因の1つは、利用可能なトレーニングデータの量であり、入手するのにコストがかかる。 量子シミュレーションは、システム全体のエネルギーに加えて、全ての原子間力を与えることが多い。 これらの力はエネルギー単独よりも多くの情報を提供する。 この大量の力データにモデルを訓練することは、かなりの計算コストをもたらすかもしれない。 実際、利用可能なすべてのフォースデータに対するトレーニングは、エネルギー単独でのトレーニングよりも数倍の費用しかかからない。 本稿では, 効率的な力トレーニングのための新しいアルゴリズムを提案し, 有機化学およびバルクアルミニウムのための実世界のデータセットからの力のトレーニングによる精度のベンチマークを行う。

関連論文リスト

• Physical Consistency Bridges Heterogeneous Data in Molecular Multi-Task Learning [79.75718786477638]
  我々は、それらを接続する物理法則が存在する分子的タスクの専門性を生かし、整合性トレーニングアプローチを設計する。 より正確なエネルギーデータにより、構造予測の精度が向上することを示した。 また、整合性トレーニングは、構造予測を改善するために、力と非平衡構造データを直接活用できることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T03:11:33Z)
• Physics-Informed Weakly Supervised Learning for Interatomic Potentials [17.165117198519248]
  我々は、機械学習型原子間ポテンシャルのトレーニングのための物理インフォームド、弱教師付きアプローチを導入する。 我々は、様々なベースラインモデルとベンチマークデータセットに対して、エネルギーと力の誤差を(しばしば2倍以下に)減らすことを示した。
  論文  参考訳（メタデータ） (2024-07-23T12:49:04Z)
• Quantum Hardware-Enabled Molecular Dynamics via Transfer Learning [1.9144534010016192]
  量子ハードウェア上での分子動力学シミュレーションのための新しい経路を提案する。 移動学習と機械学習によるポテンシャルエネルギー表面構築技術を組み合わせることにより,新しい経路が提案される。 このアプローチは、機械学習モデルをトレーニングして、Behler-Parrinelloニューラルネットワークを用いて分子のポテンシャルエネルギーを予測することによって実証される。
  論文  参考訳（メタデータ） (2024-06-12T18:00:09Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Multi-Fidelity Machine Learning for Excited State Energies of Molecules [0.0]
  高速な学習データのみに基づいて構築された機械学習モデルと同一の精度を達成できることが示されている。 これらのベンチマークテスト計算で得られた数値利得は30以上であったが、精度の高いデータでは間違いなくはるかに高い値となる。
  論文  参考訳（メタデータ） (2023-05-18T20:21:22Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• Transfer learning for chemically accurate interatomic neural network potentials [0.0]
  密度汎関数計算から得られたデータに基づいてネットワークパラメータを事前学習することにより、より正確なab-initioデータに基づいてトレーニングされたモデルのサンプル効率が向上することを示す。 ANI-1x および ANI-1ccx データセット上で事前訓練および微調整されたGM-NN電位を提供する。
  論文  参考訳（メタデータ） (2022-12-07T19:21:01Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)
• 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)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)

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。