論文の概要: Supervised Learning and the Finite-Temperature String Method for
Computing Committor Functions and Reaction Rates
- arxiv url: http://arxiv.org/abs/2107.13522v1
- Date: Wed, 28 Jul 2021 17:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 13:44:38.994182
- Title: Supervised Learning and the Finite-Temperature String Method for
Computing Committor Functions and Reaction Rates
- Title（参考訳）: 教師付き学習と有限温度弦法によるコミッタ関数と反応速度の計算
- Authors: Muhammad R. Hasyim, Clay H. Batton, Kranthi K. Mandadapu
- Abstract要約: 希少事象の計算研究における中心的な対象はコミッタ関数である。
アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A central object in the computational studies of rare events is the committor
function. Though costly to compute, the committor function encodes complete
mechanistic information of the processes involving rare events, including
reaction rates and transition-state ensembles. Under the framework of
transition path theory (TPT), recent work [1] proposes an algorithm where a
feedback loop couples a neural network that models the committor function with
importance sampling, mainly umbrella sampling, which collects data needed for
adaptive training. In this work, we show additional modifications are needed to
improve the accuracy of the algorithm. The first modification adds elements of
supervised learning, which allows the neural network to improve its prediction
by fitting to sample-mean estimates of committor values obtained from short
molecular dynamics trajectories. The second modification replaces the
committor-based umbrella sampling with the finite-temperature string (FTS)
method, which enables homogeneous sampling in regions where transition pathways
are located. We test our modifications on low-dimensional systems with
non-convex potential energy where reference solutions can be found via
analytical or the finite element methods, and show how combining supervised
learning and the FTS method yields accurate computation of committor functions
and reaction rates. We also provide an error analysis for algorithms that use
the FTS method, using which reaction rates can be accurately estimated during
training with a small number of samples.
- Abstract（参考訳）: 希少事象の計算研究における中心的な対象はコミッタ関数である。
計算にはコストがかかるが、コミッタ関数は反応速度や遷移状態のアンサンブルを含む稀な事象を含むプロセスの完全な力学情報を符号化する。
遷移経路理論(transition path theory, tpt)の枠組みの下で、最近の研究([1])では、フィードバックループが、適応トレーニングに必要なデータを収集する傘サンプリングを中心に、重要サンプリングでコミッタ関数をモデル化するニューラルネットワークを結合するアルゴリズムを提案している。
本研究は,アルゴリズムの精度を向上させるために追加の修正が必要であることを示す。
最初の修正では教師付き学習の要素が追加され、ニューラルネットワークは短い分子動力学軌道から得られたコミッタ値のサンプル平均推定に適合することで予測を改善することができる。
第2の修正は、コミッタベースの傘サンプリングを有限温度ストリング(FTS)法に置き換え、遷移経路のある領域における均質サンプリングを可能にする。
解析的手法や有限要素法を用いて参照解を求めることができる非凸ポテンシャルエネルギーを持つ低次元システムに対して, 教師付き学習とFTS法を組み合わせることで, コミッタ関数と反応速度の正確な計算結果が得られることを示す。
また,FTS法を用いたアルゴリズムの誤差解析を行い,少数のサンプルを用いてトレーニング中に精度よく反応速度を推定する手法を提案する。
関連論文リスト
- Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。
しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。
ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文 参考訳（メタデータ） (2024-11-15T08:55:31Z) - Deep Learning Method for Computing Committor Functions with Adaptive Sampling [4.599618895656792]
2つの新しい適応型サンプリング方式によるディープラーニング手法(I,II)を提案する。
この2つのスキームでは、学習したコミッタ関数からバイアスポテンシャルが構築された修正電位でデータを積極的に生成する。
我々は,サンプリング方式の利点を理論的に実証し,サンプリング方式IIのデータが遷移管に沿って均一に分散されていることを示す。
論文 参考訳（メタデータ） (2024-04-09T10:53:29Z) - Variational Sampling of Temporal Trajectories [39.22854981703244]
遷移関数 $f$ を関数空間の要素として明示的にパラメータ化することにより、軌道の分布を学習する機構を導入する。
我々のフレームワークは、新しい軌道の効率的な合成を可能にすると同時に、推論に便利なツールを直接提供します。
論文 参考訳（メタデータ） (2024-03-18T02:12:12Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - Label-free timing analysis of SiPM-based modularized detectors with
physics-constrained deep learning [9.234802409391111]
モジュール化検出器のタイミング解析のためのディープラーニングに基づく新しい手法を提案する。
本稿では,提案手法が求める最適関数の存在を数学的に証明し,モデルのトレーニングと校正のための体系的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-24T09:16:31Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳（メタデータ） (2022-12-02T05:07:50Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Efficient training of physics-informed neural networks via importance
sampling [2.9005223064604078]
Physics-In Neural Networks(PINN)は、偏微分方程式(PDE)によって制御されるシステムを計算するために訓練されているディープニューラルネットワークのクラスである。
重要サンプリング手法により,PINN訓練の収束挙動が改善されることが示唆された。
論文 参考訳（メタデータ） (2021-04-26T02:45:10Z) - Activation Relaxation: A Local Dynamical Approximation to
Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。
我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文 参考訳（メタデータ） (2020-09-11T11:56:34Z)
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。