論文の概要: AI Discovering a Coordinate System of Chemical Elements: Dual
Representation by Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2011.12090v4
- Date: Tue, 14 Dec 2021 18:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 14:12:42.068077
- Title: AI Discovering a Coordinate System of Chemical Elements: Dual
Representation by Variational Autoencoders
- Title（参考訳）: 化学元素の座標系を発見するAI:変分オートエンコーダによる二重表現
- Authors: Alex Glushkovsky
- Abstract要約: 周期表は、基本的な理論的および実践的な役割を果たす化学元素の基本的な表現である。
本稿では、電子配置に基づいて2次元潜在空間上の要素を表現するニューラルネットワークの教師なしトレーニングの経験について論じる。
- 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: The periodic table is a fundamental representation of chemical elements that
plays essential theoretical and practical roles. The research article discusses
the experiences of unsupervised training of neural networks to represent
elements on the 2D latent space based on their electron configurations. To
emphasize chemical properties of the elements, the original data of electron
configurations has been realigned towards valence orbitals. Recognizing seven
shells and four subshells, the input data has been arranged as 7x4 images.
Latent space representation has been performed using a convolutional beta
variational autoencoder (beta-VAE). Despite discrete and sparse input data, the
beta-VAE disentangles elements of different periods, blocks, groups, and types.
The unsupervised representation of elements on the latent space reveals
pairwise symmetries of periods and elements related to the invariance of
quantum numbers of corresponding elements. In addition, it isolates outliers
that turned out to be known cases of Madelung's rule violations for lanthanide
and actinide elements. Considering the generative capabilities of beta-VAE, the
supervised machine learning has been set to find out if there are insightful
patterns distinguishing electron configurations between real elements and
decoded artificial ones. Also, the article addresses the capability of dual
representation by autoencoders. Conventionally, autoencoders represent
observations of input data on the latent space. By transposing and duplicating
original input data, it is possible to represent variables on the latent space
which can lead to the discovery of meaningful patterns among input variables.
Applying that unsupervised learning for transposed data of electron
configurations, the order of input variables that has been arranged by the
encoder on the latent space has turned out to exactly match the sequence of
Madelung's rule.
- Abstract（参考訳）: 周期表は、基本的な理論的および実践的な役割を果たす化学元素の基本的な表現である。
研究論文では、電子配置に基づいて2次元潜在空間上の要素を表現するニューラルネットワークの教師なしトレーニングの経験について論じる。
元素の化学的性質を強調するため、電子配置の元々のデータは原子価軌道に再配置されている。
7つのシェルと4つのサブシェルを認識し、入力データを7x4イメージとして配置した。
遅延空間表現は畳み込みベータ変分オートエンコーダ (beta-VAE) を用いて行われている。
離散的でスパースな入力データにもかかわらず、β-vaeは異なる周期、ブロック、グループ、型要素を扱います。
潜在空間上の要素の教師なし表現は、対応する要素の量子数の不変性に関連する周期と要素のペアワイズ対称性を示す。
さらに、ランタニドとアクチニドの元素に対するマデルングの法則違反の既知のケースであることが判明した外れ値も分離する。
β-VAEの生成能力を考慮すると、教師付き機械学習は、実際の要素とデコードされた人工の電子配置を区別する洞察に富んだパターンが存在するかどうかを判断する。
また、オートエンコーダによる二重表現の能力についても論じる。
従来、オートエンコーダは潜在空間における入力データの観測を表す。
元の入力データを変換して複製することにより、潜在空間上の変数を表現でき、入力変数間で意味のあるパターンが発見される。
電子配置の変換データに対する教師なし学習の適用により、エンコーダが潜在空間上に配置した入力変数の順序は、Madelungの規則の順序と正確に一致することが判明した。
関連論文リスト
- Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。
入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
論文 参考訳（メタデータ） (2024-10-07T23:53:25Z) - Accelerating Material Property Prediction using Generically Complete Isometry Invariants [3.031375888004876]
我々は、学習アルゴリズムの表現として、ポイントワイド距離分布(PDD)を適用した。
本研究では,空間符号化手法を用いてPDDと合成情報を組み合わせた自己認識機構を改良したトランスフォーマーモデルを開発した。
このモデルは、Material ProjectとJarvis-DFTデータベースの結晶上でテストされ、最先端の手法に匹敵する精度を示す。
論文 参考訳（メタデータ） (2024-01-22T15:14:22Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - Gate-based spin readout of hole quantum dots with site-dependent
$g-$factors [101.23523361398418]
ゲート型反射率計を用いたスピンリードアウトによりシリコン中の二重量子ドットを実験的に検討した。
磁気分光法により生じる反射位相信号の特徴は,2点のサイト依存の$g-$factorに関する情報を伝達する。
論文 参考訳（メタデータ） (2022-06-27T09:07:20Z) - Crystal Diffusion Variational Autoencoder for Periodic Material
Generation [29.558155407825115]
本稿では, 物質安定性の誘導バイアスを捉える結晶拡散変分オートコーダ(CDVAE)を提案する。
安定物質のデータ分布から学習することにより、デコーダは拡散過程に物質を生成し、原子座標を低いエネルギー状態へ移動させる。
1)入力構造を再構築し,2)有効で多様な,現実的な材料を生成し,3)特定の特性を最適化する材料を生成する。
論文 参考訳（メタデータ） (2021-10-12T17:49:49Z) - Machine-learning Kondo physics using variational autoencoders [0.0]
我々は変分オートエンコーダを用いて、1粒子アンダーソン不純物モデルスペクトル関数のデータセットから洞察を抽出する。
学習された潜在空間成分は、よく知られたが非自明なパラメータと強く相関している。
論文 参考訳（メタデータ） (2021-07-16T17:03:58Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳（メタデータ） (2021-05-08T03:50:45Z) - The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。
異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。
原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文 参考訳（メタデータ） (2020-09-06T14:12:09Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z) - From abstract items to latent spaces to observed data and back:
Compositional Variational Auto-Encoder [0.0]
条件付き生成モデルは現在、機械学習に不可欠なツールとして認められている。
提案したCompVAEは、データを自然なマルチアンサンブルリスト構造で処理する。
観測情報と記号情報の両方を活用する潜在表現を学習する。
論文 参考訳（メタデータ） (2020-01-22T08:30:39Z)
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。