Fugu-MT 論文翻訳(概要): Neuroevolutionary learning of particles and protocols for self-assembly

論文の概要: Neuroevolutionary learning of particles and protocols for self-assembly

arxiv url: http://arxiv.org/abs/2012.11832v1
Date: Tue, 22 Dec 2020 05:03:19 GMT
ステータス: 処理完了
システム内更新日: 2023-04-19 22:23:42.891966
Title: Neuroevolutionary learning of particles and protocols for self-assembly
Title（参考訳）: 自己集合のための粒子とプロトコルの神経進化的学習
Authors: Stephen Whitelam, Isaac Tamblyn
Abstract要約: 神経進化学習は, 自己組立を促進するために, 粒子や時間に依存したプロトコルを設計できることを示す。学習アルゴリズムは、指向設計と探索設計の両方が可能である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Within simulations of molecules deposited on a surface we show that neuroevolutionary learning can design particles and time-dependent protocols to promote self-assembly, without input from physical concepts such as thermal equilibrium or mechanical stability and without prior knowledge of candidate or competing structures. The learning algorithm is capable of both directed and exploratory design: it can assemble a material with a user-defined property, or search for novelty in the space of specified order parameters. In the latter mode it explores the space of what can be made rather than the space of structures that are low in energy but not necessarily kinetically accessible.
Abstract（参考訳）: 表面上に堆積した分子のシミュレーションにおいて、ニューロ進化学習は、熱平衡や機械的安定性といった物理的概念から入力されることなく、候補や競合する構造の事前知識なしに、粒子や時間依存のプロトコルを設計して自己組み立てを促進することができることを示す。学習アルゴリズムは、指向性と探索設計の両方が可能であり、ユーザ定義プロパティで材料を組み立てたり、指定された順序パラメータの空間で新規性を探すことができる。後者のモードでは、エネルギーが低いが必ずしも運動的にアクセスできない構造の空間ではなく、何ができるかの空間を探索する。

関連論文リスト

Extreme time extrapolation capabilities and thermodynamic consistency of physics-inspired Neural Networks for the 3D microstructure evolution of materials via Cahn-Hilliard flow [0.0]
畳み込みリカレントニューラルネットワーク(CRNN)は,3次元のスピノーダル分解過程の進化を再現するために訓練される。特殊で物理学に触発されたアーキテクチャは、予測された進化と基礎的な真実とを密に一致させることが証明されている。
論文参考訳（メタデータ） (2024-07-29T15:55:52Z)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
論文参考訳（メタデータ） (2023-01-06T14:22:43Z)
Neuromorphic Computing and Sensing in Space [69.34740063574921]
神経型コンピュータチップは、生物学的脳の構造を模倣するように設計されている。ニューロモルフィックデバイスの低消費電力とエネルギー効率に重点を置くことは、宇宙応用には最適である。
論文参考訳（メタデータ） (2022-12-10T07:46:29Z)
Molecular dynamics without molecules: searching the conformational space of proteins with generative neural networks [0.0]
全原子および粗粒分子動力学はタンパク質のコンフォメーション状態の研究に広く用いられている。全ての原子と粗粒のシミュレーション手法は、スーパーコンピュータの資源にアクセスできなければ、これらの状態が検出可能な時間と長さのスケールが達成できないという事実に悩まされる。 1つの選択肢は、分子動力学の原子軌道を物理粒子の短期バージョンとして符号化し、人工知能ベクトルを用いて符号化された軌道を伝播させることである。
論文参考訳（メタデータ） (2022-06-09T02:06:43Z)
Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。我々は、高低自由エネルギー状態の分類に焦点をあてる。以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
論文参考訳（メタデータ） (2022-05-06T16:21:00Z)
Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文参考訳（メタデータ） (2022-02-01T18:54:24Z)
Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文参考訳（メタデータ） (2021-10-26T14:14:40Z)
Deep Molecular Dreaming: Inverse machine learning for de-novo molecular design and interpretability with surjective representations [1.433758865948252]
コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
論文参考訳（メタデータ） (2020-12-17T16:34:59Z)
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)

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。