論文の概要: Optimal radial basis for density-based atomic representations
- arxiv url: http://arxiv.org/abs/2105.08717v1
- Date: Tue, 18 May 2021 17:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 14:08:21.449238
- Title: Optimal radial basis for density-based atomic representations
- Title（参考訳）: 密度に基づく原子表現の最適ラジアル基底
- Authors: Alexander Goscinski, F\'elix Musil, Sergey Pozdnyakov, and Michele
Ceriotti
- Abstract要約: データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。
トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。
この構成が精度と計算効率のよい表現をもたらすことを実証する。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The input of almost every machine learning algorithm targeting the properties
of matter at the atomic scale involves a transformation of the list of
Cartesian atomic coordinates into a more symmetric representation. Many of
these most popular representations can be seen as an expansion of the
symmetrized correlations of the atom density, and differ mainly by the choice
of basis. Here we discuss how to build an adaptive, optimal numerical basis
that is chosen to represent most efficiently the structural diversity of the
dataset at hand. For each training dataset, this optimal basis is unique, and
can be computed at no additional cost with respect to the primitive basis by
approximating it with splines. We demonstrate that this construction yields
representations that are accurate and computationally efficient, presenting
examples that involve both molecular and condensed-phase machine-learning
models.
- Abstract（参考訳）: 原子スケールでの物質の特性をターゲットにしたほぼ全ての機械学習アルゴリズムの入力は、デカルト原子座標のリストをより対称な表現に変換することを含む。
これらの最も一般的な表現の多くは、原子密度の対称性相関の拡張と見なすことができ、主に基底の選択によって異なる。
ここでは、データセットの構造的多様性を最も効率的に表現するために選択された適応的で最適な数値基底を構築する方法について論じる。
トレーニングデータセットごとに、この最適なベースはユニークで、スプラインで近似することで、プリミティブベースに関して追加コストなしで計算することができる。
この構成は、正確で計算効率の良い表現をもたらし、分子と凝縮相の両方の機械学習モデルを含む例を示す。
関連論文リスト
- Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。
以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-04-15T12:38:46Z) - Spectral Estimators for Structured Generalized Linear Models via Approximate Message Passing [28.91482208876914]
本研究では,高次元一般化線形モデルにおけるパラメータ推定の問題について考察する。
広く使われているにもかかわらず、厳密なパフォーマンス特性とデータ前処理の原則が、構造化されていない設計でのみ利用可能である。
論文 参考訳（メタデータ） (2023-08-28T11:49:23Z) - Wigner kernels: body-ordered equivariant machine learning without a
basis [0.0]
我々は、ウィグナーカーネルの計算を伴う新しい密度ベース手法を提案する。
ウィグナー核は完全に同変で、ボディーオーダーのカーネルで、放射化学ベースに依存しないコストで反復的に計算することができる。
化学応用におけるWignerカーネルに基づくモデルの精度のいくつかの例を示す。
論文 参考訳（メタデータ） (2023-03-07T18:34:55Z) - Isotropic Gaussian Processes on Finite Spaces of Graphs [71.26737403006778]
種々の非重み付きグラフの集合上でガウス過程の先行を定義するための原理的手法を提案する。
さらに、未重み付きグラフの同値類の集合を検討し、それに対する事前の適切なバージョンを定義する。
化学の応用に触発されて、我々は、小データ構造における実際の分子特性予測タスクについて、提案手法を解説した。
論文 参考訳（メタデータ） (2022-11-03T10:18:17Z) - Tensor-reduced atomic density representations [0.0]
グラフニューラルネットワークは、化学元素情報を学習可能な方法で固定次元空間にマッピングすることで、スケーリングから逃れる。
我々は、標準近傍密度に基づく記述子のテンソル構造を利用して、このアプローチをテンソル分解として再考する。
そのため、化学元素の数に依存しないコンパクトなテンソル還元表現を形成する。
論文 参考訳（メタデータ） (2022-10-02T01:08:50Z) - A smooth basis for atomistic machine learning [0.0]
興味の原子を取り巻く球内におけるラプラシアン固有値問題の解から得られる基底について検討する。
これにより、球面内の与えられた大きさの最も滑らかな基底が生成される。
与えられたデータセットのベースの品質に関する教師なしの指標をいくつか検討し、ラプラシア固有状態基底が、広く使用されているベースセットよりもはるかに優れた性能を持つことを示す。
論文 参考訳（メタデータ） (2022-09-05T13:00:51Z) - Eigen Analysis of Self-Attention and its Reconstruction from Partial
Computation [58.80806716024701]
ドット積に基づく自己注意を用いて計算した注意点のグローバルな構造について検討する。
注意点の変動の大部分は低次元固有空間にあることがわかった。
トークンペアの部分的な部分集合に対してのみスコアを計算し、それを用いて残りのペアのスコアを推定する。
論文 参考訳（メタデータ） (2021-06-16T14:38:42Z) - Building powerful and equivariant graph neural networks with structural
message-passing [74.93169425144755]
本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。
まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。
次に,メッセージのパラメトリゼーション手法を提案する。
論文 参考訳（メタデータ） (2020-06-26T17:15:16Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳（メタデータ） (2020-04-17T12:47:04Z)
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。