論文の概要: Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations

• arxiv url: http://arxiv.org/abs/2108.02318v1
• Date: Fri, 23 Jul 2021 16:35:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-08 11:03:34.138727
• Title: Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations
• Title（参考訳）: 神経常微分方程式を用いたスピントロニクス実験の結果予測
• Authors: Xing Chen, Flavio Abreu Araujo, Mathieu Riou, Jacob Torrejon, Dafin\'e Ravelosona, Wang Kang, Weisheng Zhao, Julie Grollier, Damien Querlioz
• Abstract要約: 極小量のデータに基づいてトレーニングされた動的ニューラルネットワークは、スピントロニクスデバイスの挙動を予測することができることを示す。 スピンニューラルODEは、マイクロ磁気シミュレーションを補完するスピントロニクスアプリケーションを開発するための破壊的なツールである。
• 参考スコア（独自算出の注目度）: 4.154570557236527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has an increasing impact to assist research, allowing, for example, the discovery of novel materials. Until now, however, these artificial intelligence techniques have fallen short of discovering the full differential equation of an experimental physical system. Here we show that a dynamical neural network, trained on a minimal amount of data, can predict the behavior of spintronic devices with high accuracy and an extremely efficient simulation time, compared to the micromagnetic simulations that are usually employed to model them. For this purpose, we re-frame the formalism of Neural Ordinary Differential Equations (ODEs) to the constraints of spintronics: few measured outputs, multiple inputs and internal parameters. We demonstrate with Spin-Neural ODEs an acceleration factor over 200 compared to micromagnetic simulations for a complex problem -- the simulation of a reservoir computer made of magnetic skyrmions (20 minutes compared to three days). In a second realization, we show that we can predict the noisy response of experimental spintronic nano-oscillators to varying inputs after training Spin-Neural ODEs on five milliseconds of their measured response to different excitations. Spin-Neural ODE is a disruptive tool for developing spintronic applications in complement to micromagnetic simulations, which are time-consuming and cannot fit experiments when noise or imperfections are present. Spin-Neural ODE can also be generalized to other electronic devices involving dynamics.
• Abstract（参考訳）: ディープラーニングは、例えば新しい素材の発見を可能にするなど、研究を支援する効果が増大している。 しかしこれまで、これらの人工知能技術は、実験的な物理システムの完全な微分方程式の発見に至らなかった。 ここでは、最小限のデータ量に基づいてトレーニングされた動的ニューラルネットワークが、通常モデル化に使用される電磁シミュレーションと比較して、高精度で極めて効率的なシミュレーション時間でスピントロニクスデバイスの挙動を予測することができることを示す。 この目的のために、神経常微分方程式(英語版)(odes)の形式をスピントロニクスの制約(計測された出力、複数の入力、内部パラメータ)に再構成する。 複雑な問題に対するマイクロ磁気シミュレーションと比較し,200以上の加速度係数をスピンニューラルodesを用いて実証した。 第2の実現法では,実験スピントロニクスナノオシレータの雑音応答を,異なる励起に対する測定応答の5ミリ秒のスピンニューラルODEのトレーニング後に予測できることが示されている。 スピンニューラルodeは、マイクロ磁気シミュレーションを補完するスピントロニクス応用を開発するための破壊的ツールであり、ノイズや不完全な場合の実験には適さない。 スピンニューラルodeは、ダイナミクスを含む他の電子機器に一般化することもできる。

関連論文リスト

• Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators [0.9208007322096533]
  本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。 この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-07-12T18:29:48Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Physics-constrained neural differential equations for learning multi-ionic transport [0.0]
  我々は,ポリアミドナノ孔間のイオン輸送挙動を学習する物理インフォームド深層学習モデルを開発した。 ニューラル・ディファレンシャル・方程式を古典的閉包モデルと組み合わせて、ニューラル・フレームワークに直接帰納バイアスとして利用する。
  論文  参考訳（メタデータ） (2023-03-07T17:18:52Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Using scientific machine learning for experimental bifurcation analysis of dynamic systems [2.204918347869259]
  本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。 数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。 ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
  論文  参考訳（メタデータ） (2021-10-22T15:43:03Z)
• Learning neural network potentials from experimental data via Differentiable Trajectory Reweighting [0.0]
  ニューラルネットワーク(NN)電位を直接実験データから学習するトップダウンアプローチは、あまり注目されていない。 本稿では,時間非依存オブザーバのMDシミュレーションにより,微分を回避できるDiffTRe法を提案する。 本研究では,ダイヤモンドの原子モデルと粒度の粗い水モデルに対するNN電位の学習におけるDiffTReの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-02T13:10:43Z)
• Neural ODE Processes [64.10282200111983]
  NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。 我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-03-23T09:32:06Z)
• Controllable reset behavior in domain wall-magnetic tunnel junction artificial neurons for task-adaptable computation [1.4505273244528207]
  ドメイン壁-磁気トンネル接合(DW-MTJ)デバイスは、生物学的ニューロンの挙動を本質的に捉えることができることが示されている。 そこで本研究では,DW-MTJ人工ニューロンにおいて,3つの代替メカニズムを用いてエジラックス動作を実装可能であることを示す。
  論文  参考訳（メタデータ） (2021-01-08T16:50:29Z)

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。