Fugu-MT 論文翻訳(概要): Rotation Invariant Graph Neural Networks using Spin Convolutions

論文の概要: Rotation Invariant Graph Neural Networks using Spin Convolutions

arxiv url: http://arxiv.org/abs/2106.09575v1
Date: Thu, 17 Jun 2021 14:59:34 GMT
ステータス: 処理完了
システム内更新日: 2021-06-18 15:38:33.606458
Title: Rotation Invariant Graph Neural Networks using Spin Convolutions
Title（参考訳）: スピン畳み込みを用いた回転不変グラフニューラルネットワーク
Authors: Muhammed Shuaibi, Adeesh Kolluru, Abhishek Das, Aditya Grover, Anuroop Sriram, Zachary Ulissi, C. Lawrence Zitnick
Abstract要約: 機械学習アプローチは、密度汎関数理論(DFT)を計算的に効率的に近似する可能性がある。グラフニューラルネットワークにおいて,隣り合う原子の集合間の角度情報をモデル化するための新しい手法を提案する。結果は大規模なOpen Catalyst 2020データセットで実証されている。
参考スコア（独自算出の注目度）: 28.4962005849904
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Progress towards the energy breakthroughs needed to combat climate change can be significantly accelerated through the efficient simulation of atomic systems. Simulation techniques based on first principles, such as Density Functional Theory (DFT), are limited in their practical use due to their high computational expense. Machine learning approaches have the potential to approximate DFT in a computationally efficient manner, which could dramatically increase the impact of computational simulations on real-world problems. Approximating DFT poses several challenges. These include accurately modeling the subtle changes in the relative positions and angles between atoms, and enforcing constraints such as rotation invariance or energy conservation. We introduce a novel approach to modeling angular information between sets of neighboring atoms in a graph neural network. Rotation invariance is achieved for the network's edge messages through the use of a per-edge local coordinate frame and a novel spin convolution over the remaining degree of freedom. Two model variants are proposed for the applications of structure relaxation and molecular dynamics. State-of-the-art results are demonstrated on the large-scale Open Catalyst 2020 dataset. Comparisons are also performed on the MD17 and QM9 datasets.
Abstract（参考訳）: 気候変動と戦うために必要なエネルギーブレークスルーの進展は、原子系の効率的なシミュレーションによって著しく加速される。密度汎関数理論 (DFT) などの第一原理に基づくシミュレーション技術は, 計算コストが高いため, 実用化に限られている。機械学習アプローチは、DFTを計算的に効率的に近似する可能性があり、実際の問題に対する計算シミュレーションの影響を劇的に増大させる可能性がある。 DFTの近似にはいくつかの課題がある。原子間の相対的な位置と角度の微妙な変化を正確にモデル化し、回転不変性やエネルギー保存のような制約を課す。本稿では,グラフニューラルネットワークにおける隣接原子群間の角情報モデリング手法を提案する。ネットワークのエッジメッセージの回転不変性は、エッジ毎の局所座標フレームと、残りの自由度を超えた新しいスピン畳み込みを用いて実現される。構造緩和と分子動力学の応用のための2つのモデル変種が提案されている。最先端の結果は、大規模なopen catalyst 2020データセットで実証されている。 MD17とQM9のデータセットでも比較が行われる。

関連論文リスト

Physics aware machine learning for micromagnetic energy minimization: recent algorithmic developments [0.0]
ブラウンの静電自己エネルギーに対する境界の上に構築し、伝達問題の変分定式化の文脈でそれらの応用を再検討する。有限領域上のこれらの境界を再構成し、数値シミュレーションの手法をより効率的かつスケーラブルにする。その結果,メッシュフリーな物理インフォームドニューラルネットワーク(PINN)とELM(Extreme Learning Machines)が,厳しい制約と統合される可能性を強調した。
論文参考訳（メタデータ） (2024-09-19T16:22:40Z)
Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
論文参考訳（メタデータ） (2024-07-29T11:48:44Z)
Predicting Energy Budgets in Droplet Dynamics: A Recurrent Neural Network Approach [0.0]
本研究では,表面張力効果下での流体の過渡的および静的な出力を予測するために,Long Short-Term Memoryを適用した。 LSTMは、数値シミュレーションによる無次元数と幾何学的時系列データのみを用いて、エネルギー予算を予測する。幾何パラメータから得られた時系列データを入力したリカレントニューラルネットワーク(RNN)アーキテクチャを用いて,エネルギー予算予測におけるアプローチの精度を示す。
論文参考訳（メタデータ） (2024-03-24T13:32:42Z)
Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文参考訳（メタデータ） (2024-01-19T21:50:32Z)
Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文参考訳（メタデータ） (2023-11-05T11:48:08Z)
Accelerating Particle and Fluid Simulations with Differentiable Graph Networks for Solving Forward and Inverse Problems [2.153852088624324]
物理埋め込み型微分可能グラフネットワークシミュレータを用いて粒子シミュレーションと流体シミュレーションを解く。 GNSは、領域をグラフとして表現し、粒子をノードとして、相互作用をエッジとして学習する。 GNSは、並列CPUシミュレーションと比較して粒度予測の165倍の高速化を実現している。
論文参考訳（メタデータ） (2023-09-23T11:52:43Z)
Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
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)
NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文参考訳（メタデータ） (2022-07-20T15:29:45Z)
Flexible Transmitter Network [84.90891046882213]
現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
論文参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。