論文の概要: Machine Learning Force Fields

• arxiv url: http://arxiv.org/abs/2010.07067v2
• Date: Tue, 12 Jan 2021 14:57:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 14:03:01.333378
• Title: Machine Learning Force Fields
• Title（参考訳）: 機械学習力場
• Authors: Oliver T. Unke, Stefan Chmiela, Huziel E. Sauceda, Michael Gastegger, Igor Poltavsky, Kristof T. Sch\"utt, Alexandre Tkatchenko, Klaus-Robert M\"uller
• Abstract要約: 機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
• 参考スコア（独自算出の注目度）: 54.48599172620472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the use of Machine Learning (ML) in computational chemistry has enabled numerous advances previously out of reach due to the computational complexity of traditional electronic-structure methods. One of the most promising applications is the construction of ML-based force fields (FFs), with the aim to narrow the gap between the accuracy of ab initio methods and the efficiency of classical FFs. The key idea is to learn the statistical relation between chemical structure and potential energy without relying on a preconceived notion of fixed chemical bonds or knowledge about the relevant interactions. Such universal ML approximations are in principle only limited by the quality and quantity of the reference data used to train them. This review gives an overview of applications of ML-FFs and the chemical insights that can be obtained from them. The core concepts underlying ML-FFs are described in detail and a step-by-step guide for constructing and testing them from scratch is given. The text concludes with a discussion of the challenges that remain to be overcome by the next generation of ML-FFs.
• Abstract（参考訳）: 近年,計算化学における機械学習 (ML) の利用は,従来の電子構造手法の計算複雑性により,これまでも多くの進歩を遂げてきた。 最も有望な応用の1つは、ab initio法の精度と古典的なFFの効率のギャップを狭めることを目的としたMLベースの力場(FF)の構築である。 鍵となるアイデアは、化学結合や関連する相互作用に関する知識の先入観に頼らずに、化学構造とポテンシャルエネルギーの間の統計的関係を学ぶことである。 このような普遍的なML近似は、原則として訓練に使用される参照データの品質と量によってのみ制限される。 本稿ではML-FFの応用の概要とそれらから得られる化学的知見を紹介する。 ML-FFの基礎となる概念は詳細に説明され、それらをスクラッチから構築およびテストするためのステップバイステップガイドが提供される。 このテキストは、次世代のML-FFによって克服されるであろう課題に関する議論で締めくくられている。

関連論文リスト

• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• Knowledge Editing for Large Language Models: A Survey [51.01368551235289]
  大規模言語モデル(LLM)の大きな欠点の1つは、事前学習に要する計算コストである。 知識に基づくモデル編集(KME)が注目を集めており、特定の知識を組み込むためにLLMを正確に修正することを目的としている。
  論文  参考訳（メタデータ） (2023-10-24T22:18:13Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Forces are not Enough: Benchmark and Critical Evaluation for Machine Learning Force Fields with Molecular Simulations [5.138982355658199]
  分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。 我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
  論文  参考訳（メタデータ） (2022-10-13T17:59:03Z)
• Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery [2.7810723668216575]
  従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
  論文  参考訳（メタデータ） (2022-05-06T00:34:50Z)
• Quantum Machine Learning for Chemistry and Physics [2.786820702277084]
  機械学習(ML)とその従兄弟のディープラーニング(DL)は、物理科学、特に化学のあらゆる分野で前例のない発展をもたらした。 このレビューでは、これらのトピックのサブセットを詳述し、古典的および量子コンピューティングの強化された機械学習アルゴリズムによる貢献を、過去数年間にわたって詳述する。
  論文  参考訳（メタデータ） (2021-11-01T11:38:47Z)
• An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
  我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。 本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
  論文  参考訳（メタデータ） (2021-08-09T17:39:09Z)
• SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects [1.5845117761091052]
  機械学習力場(ML-FF)は、計算化学の分野で人気が高まっている。 この研究では、電子自由度と量子非局所性を明確に扱うML-FFを構築するためのディープニューラルネットワークであるSpookyNetを紹介する。 SpookyNetは、一般的な量子化学データセットにおける現在の最先端(または同様のパフォーマンス)を改善している。
  論文  参考訳（メタデータ） (2021-05-01T17:06:40Z)
• Machine Learning for Condensed Matter Physics [0.0]
  凝縮物質物理学(CMP)は、量子と原子レベルの物質の微視的相互作用を理解することを目的としている。 CMPは、化学、材料科学、統計物理学、高性能コンピューティングなど、多くの重要な科学分野と重なり合っている。 現代の機械学習(ML)技術は、両方の分野の交差点で魅力的な新しい研究領域を生み出した。
  論文  参考訳（メタデータ） (2020-05-28T18:44:55Z)

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。