Fugu-MT 論文翻訳(概要): Molecular Energy Learning Using Alternative Blackbox Matrix-Matrix Multiplication Algorithm for Exact Gaussian Process

論文の概要: Molecular Energy Learning Using Alternative Blackbox Matrix-Matrix Multiplication Algorithm for Exact Gaussian Process

arxiv url: http://arxiv.org/abs/2109.09817v1
Date: Mon, 20 Sep 2021 19:59:06 GMT
ステータス: 処理完了
システム内更新日: 2021-09-22 14:07:57.558941
Title: Molecular Energy Learning Using Alternative Blackbox Matrix-Matrix Multiplication Algorithm for Exact Gaussian Process
Title（参考訳）: 代替ブラックボックス行列行列乗算アルゴリズムによる特殊ガウス過程の分子エネルギー学習
Authors: Jiace Sun, Lixue Cheng, Thomas F. Miller III
Abstract要約: 分子エネルギーのガウス過程(GP)トレーニングをスケールアップするために,ブラックボックス行列行列行列乗法(BBMM)アルゴリズムを適用した。 BBMM(AltBBMM)の別の実装も提案されている。両アルゴリズムの精度と伝達性について, 重原子7と重原子13の有機分子のベンチマークで検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an application of the blackbox matrix-matrix multiplication (BBMM) algorithm to scale up the Gaussian Process (GP) training of molecular energies in the molecular-orbital based machine learning (MOB-ML) framework. An alternative implementation of BBMM (AltBBMM) is also proposed to train more efficiently (over four-fold speedup) with the same accuracy and transferability as the original BBMM implementation. The training of MOB-ML was limited to 220 molecules, and BBMM and AltBBMM scale the training of MOB-ML up by over 30 times to 6500 molecules (more than a million pair energies). The accuracy and transferability of both algorithms are examined on the benchmark datasets of organic molecules with 7 and 13 heavy atoms. These lower-scaling implementations of the GP preserve the state-of-the-art learning efficiency in the low-data regime while extending it to the large-data regime with better accuracy than other available machine learning works on molecular energies.
Abstract（参考訳）: 分子軌道ベース機械学習(MOB-ML)フレームワークにおける分子エネルギーのガウス過程(GP)トレーニングのスケールアップに,ブラックボックス行列行列行列行列乗法(BBMM)アルゴリズムを適用した。 BBMM(AltBBMM)の代替実装は、元のBBMM実装と同じ精度で(4倍のスピードアップで)より効率的に訓練するためにも提案されている。 MOB-MLのトレーニングは220分子に制限され、BBMMとAltBBMMはMOB-MLのトレーニングを30倍から6500分子(100万組のエネルギー)に拡張した。両アルゴリズムの精度と伝達性について, 重原子7と重原子13の有機分子のベンチマークデータセットを用いて検討した。 GPのこれらの低スケールの実装は、低データ状態における最先端の学習効率を保ちながら、分子エネルギーに関する他の機械学習よりも精度良く大規模データ状態に拡張する。

関連論文リスト

EPS-MoE: Expert Pipeline Scheduler for Cost-Efficient MoE Inference [49.94169109038806]
本稿では,新しいパイプラインスケジューラであるEPS-MoEを紹介する。その結果,既存の並列推論手法に比べて,プリフィルスループットが平均21%向上していることが判明した。
論文参考訳（メタデータ） (2024-10-16T05:17:49Z)
DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
論文参考訳（メタデータ） (2024-02-19T09:04:30Z)
Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文参考訳（メタデータ） (2023-08-26T06:12:33Z)
RedMule: A Mixed-Precision Matrix-Matrix Operation Engine for Flexible and Energy-Efficient On-Chip Linear Algebra and TinyML Training Acceleration [15.869673535117032]
現在のトレーニングアルゴリズムは、精度とダイナミックレンジの要求を満たすために浮動小数点行列演算に依存している。 RedMulEは、多精度浮動小数点一般行列演算(GEMM-Ops)加速のために考案された、低消費電力の特殊アクセラレータである。 RedMulE は FP16 と FP8 で 58.5 GFLOPS と 117 GFLOPS をそれぞれ達成し、計算要素の配列を99.4% 利用している。
論文参考訳（メタデータ） (2023-01-10T11:07:16Z)
Multi-Agent Automated Machine Learning [54.14038920246645]
自動機械学習(AutoML)におけるモジュールの共同最適化のためのマルチエージェント自動機械学習(MA2ML)を提案する。 MA2MLはモジュール間の協力を強化するために各エージェントにクレジットを明示的に割り当て、検索効率を向上させるために政治外の学習を取り入れている。実験により、MA2MLは計算コストの制約の下でImageNet上で最先端のトップ1の精度が得られることが示された。
論文参考訳（メタデータ） (2022-10-17T13:32:59Z)
Molecular-orbital-based Machine Learning for Open-shell and Multi-reference Systems with Kernel Addition Gaussian Process Regression [0.0]
分子軌道ベース機械学習(MOB-ML)における新しい機械学習戦略であるカーネル加算ガウスプロセス回帰(KA-GPR)を導入する。閉殻系および開殻系における一般的な電子構造理論の総相関エネルギーを機械学習戦略を導入して学習する。 MOB-ML(KA-GPR)の学習効率は、マルチ参照文字を持つ閉殻分子である最小クリージー分子のMOB-ML法と同じである。
論文参考訳（メタデータ） (2022-07-17T23:20:19Z)
Molecular Dipole Moment Learning via Rotationally Equivariant Gaussian Process Regression with Derivatives in Molecular-orbital-based Machine Learning [0.0]
本研究は、分子軌道ベース機械学習(MOB-ML)の正確かつ伝達可能なアプローチを拡張した。双極子モーメントの相関部の分子軌道ベース(MOB)対分解を適用する。提案した問題設定,特徴設計,MLアルゴリズムは,高精度なモデルを提供する。
論文参考訳（メタデータ） (2022-05-31T02:42:50Z)
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)
Accurate Molecular-Orbital-Based Machine Learning Energies via Unsupervised Clustering of Chemical Space [0.0]
分子軌道ベース機械学習(MOB-ML)を用いたエネルギー予測におけるトレーニング効率と精度の向上を目的とした教師なしクラスタリングアルゴリズムを提案する。この研究は、ガウス混合モデル(GMM)を介して完全に自動でクラスタを決定する。
論文参考訳（メタデータ） (2022-04-21T00:56:16Z)
NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
論文参考訳（メタデータ） (2022-01-20T10:57:20Z)
Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。