論文の概要: Detect the Interactions that Matter in Matter: Geometric Attention for Many-Body Systems

• arxiv url: http://arxiv.org/abs/2106.02549v1
• Date: Fri, 4 Jun 2021 15:28:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:49:42.405494
• Title: Detect the Interactions that Matter in Matter: Geometric Attention for Many-Body Systems
• Title（参考訳）: 重要な相互作用を検出する:多体系の幾何学的注意
• Authors: Thorben Frank and Stefan Chmiela
• Abstract要約: ユークリッド空間における任意の原子配置の幾何学的関係を記述する変種を提案する。 学習した注目行列の連続的な応用が、分子幾何学を飛行中の個々の原子寄与の集合に効果的に変換する方法を実証する。
• 参考スコア（独自算出の注目度）: 0.4351216340655199
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attention mechanisms are developing into a viable alternative to convolutional layers as elementary building block of NNs. Their main advantage is that they are not restricted to capture local dependencies in the input, but can draw arbitrary connections. This unprecedented capability coincides with the long-standing problem of modeling global atomic interactions in molecular force fields and other many-body problems. In its original formulation, however, attention is not applicable to the continuous domains in which the atoms live. For this purpose we propose a variant to describe geometric relations for arbitrary atomic configurations in Euclidean space that also respects all relevant physical symmetries. We furthermore demonstrate, how the successive application of our learned attention matrices effectively translates the molecular geometry into a set of individual atomic contributions on-the-fly.
• Abstract（参考訳）: アテンションメカニズムはnnの基本的なビルディングブロックとして畳み込み層に代わる存在へと発展しつつある。 主な利点は、入力のローカル依存関係をキャプチャするために制限されるのではなく、任意の接続を描画できる点である。 この前例のない能力は、分子力場やその他の多体問題における地球規模の原子間相互作用をモデル化する長年の問題と一致する。 しかし、元の定式化では、原子が生存する連続領域には注意が払われない。 この目的のために、ユークリッド空間における任意の原子配置の幾何学的関係を記述するための変種を提案する。 さらに,学習アテンション行列の連続的適用が分子幾何学をオンザフライの個々の原子貢献の集合に効果的に変換することを示す。

関連論文リスト

• Cartesian atomic cluster expansion for machine learning interatomic potentials [0.0]
  機械学習の原子間ポテンシャルは、物質科学と化学における原子モデルに革命をもたらしている。 本稿では, 高い精度, 安定性, 一般化性を示す, カルテシアン配位子に基づく原子密度展開を提案する。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。
  論文  参考訳（メタデータ） (2024-02-12T08:17:23Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Completeness of Atomic Structure Representations [0.0]
  本稿では, 粒子三重項の相対配置に基づいて, 無限相関の記述子を構築するための新しい手法を提案する。 我々の戦略は、従来の対称ディスクリプタの幅広いクラスを無効にするために特別に構築された原子配列のクラスで実証される。
  論文  参考訳（メタデータ） (2023-02-28T17:11:42Z)
• Unified theory of atom-centered representations and graph convolutional machine-learning schemes [0.0]
  原子中心密度相関 (ACDC) は、標的の体秩序、対称性に適応した拡張の基礎として用いられる。 我々は、ACDCを多中心情報を含むように一般化し、原子座標の対称関数を回帰するために完全な線形基底を与える表現を生成する。
  論文  参考訳（メタデータ） (2022-02-03T12:56:22Z)
• 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)
• Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties [0.0]
  我々は、非常に成功した原子中心密度相関特性をN中心の場合に一般化する構造記述子の族について論じる。 特に、原子中心軌道ベースで書かれた(有効)単一粒子ハミルトニアンの行列要素を効率的に学習するために、この構造がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-09-24T17:19:57Z)
• Programmable Interactions and Emergent Geometry in an Atomic Array [0.0]
  非局所的な相互作用は、量子系の情報の流れと相関の形成を制御している。 光学キャビティ内の原子アンサンブルの配列におけるプログラム可能な非局所相互作用の実現について報告する。 我々の研究は、フラストレーション磁石とトポロジカルフェーズのシミュレーション、量子最適化アルゴリズムの調査、およびセンシングと計算のための新しい絡み合ったリソース状態の工学に関する幅広い展望を開放する。
  論文  参考訳（メタデータ） (2021-06-08T03:00:49Z)
• 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)

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。