論文の概要: BIGDML: Towards Exact Machine Learning Force Fields for Materials
- arxiv url: http://arxiv.org/abs/2106.04229v1
- Date: Tue, 8 Jun 2021 10:14:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 15:32:53.305385
- Title: BIGDML: Towards Exact Machine Learning Force Fields for Materials
- Title(参考訳): BIGDML: 材料のための特別な機械学習力場を目指して
- Authors: Huziel E. Sauceda, Luis E. G\'alvez-Gonz\'alez, Stefan Chmiela, Lauro
Oliver Paz-Borb\'on, Klaus-Robert M\"uller, Alexandre Tkatchenko
- Abstract要約: 機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
- 参考スコア(独自算出の注目度): 55.944221055171276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine-learning force fields (MLFF) should be accurate, computationally and
data efficient, and applicable to molecules, materials, and interfaces thereof.
Currently, MLFFs often introduce tradeoffs that restrict their practical
applicability to small subsets of chemical space or require exhaustive datasets
for training. Here, we introduce the Bravais-Inspired Gradient-Domain Machine
Learning (BIGDML) approach and demonstrate its ability to construct reliable
force fields using a training set with just 10-200 geometries for materials
including pristine and defect-containing 2D and 3D semiconductors and metals,
as well as chemisorbed and physisorbed atomic and molecular adsorbates on
surfaces. The BIGDML model employs the full relevant symmetry group for a given
material, does not assume artificial atom types or localization of atomic
interactions and exhibits high data efficiency and state-of-the-art energy
accuracies (errors substantially below 1 meV per atom) for an extended set of
materials. Extensive path-integral molecular dynamics carried out with BIGDML
models demonstrate the counterintuitive localization of benzene--graphene
dynamics induced by nuclear quantum effects and allow to rationalize the
Arrhenius behavior of hydrogen diffusion coefficient in a Pd crystal for a wide
range of temperatures.
- Abstract(参考訳): 機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、その分子、材料、インターフェースに適用できる。
現在、mlffは、化学空間の小さなサブセットに実用的適用性を制限するトレードオフを導入するか、トレーニングのために徹底したデータセットを必要とする。
ここでは,Bravais-Inspired Gradient-Domain Machine Learning (BIGDML) アプローチを導入し,プリスタン,欠陥含有2D,3D半導体,金属,化学吸着および物理吸着原子,分子吸着原子などの材料に対する10-200ジオメトリのトレーニングセットを用いて,信頼性の高い力場を構築する能力を示す。
BIGDMLモデルは、与えられた物質に対して完全な対称性群を使用し、人工的な原子タイプや原子相互作用の局在を仮定せず、拡張された物質の集合に対して高いデータ効率と最先端のエネルギー蓄積(原子当たり1MeV未満のエラー)を示す。
bigdmlモデルを用いた広範な経路積分分子動力学は、原子核量子効果によって誘起されるベンゼン-グラフェンダイナミクスの逆直観的な局在を示し、pd結晶中の水素拡散係数のアルレニウス挙動を幅広い温度で合理化する。
関連論文リスト
- Overcoming the Barrier of Orbital-Free Density Functional Theory for
Molecular Systems Using Deep Learning [46.08497356503155]
軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。
本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
論文 参考訳(メタデータ) (2023-09-28T16:33:36Z) - 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) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳(メタデータ) (2023-02-02T03:49:57Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳(メタデータ) (2021-02-04T03:11:00Z) - Modeling nanoconfinement effects using active learning [1.58501955991843]
シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。
本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
論文 参考訳(メタデータ) (2020-05-06T04:01:53Z) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳(メタデータ) (2020-03-27T14:35:37Z)
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。