論文の概要: Machine Learning Product State Distributions from Initial Reactant
States for a Reactive Atom-Diatom Collision System
- arxiv url: http://arxiv.org/abs/2111.03563v1
- Date: Fri, 5 Nov 2021 15:36:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 16:08:22.418148
- Title: Machine Learning Product State Distributions from Initial Reactant
States for a Reactive Atom-Diatom Collision System
- Title（参考訳）: 反応原子-原子衝突系における初期反応状態からの機械学習製品状態分布
- Authors: Julian Arnold, Juan Carlos San Vicente Veliz, Debasish Koner, Narendra
Singh, Raymond J. Bemish, and Markus Meuwly
- Abstract要約: 特定の初期状態から製品状態の分布を予測する機械学習(ML)モデルを示す。
根平均二乗差によって定量化される予測精度は、テストセットおよびオフグリッド状態特定初期条件に対して高い。
STDモデルは非平衡高速流れのシミュレーションに適している。
- 参考スコア（独自算出の注目度）: 2.678461526933908
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A machine learned (ML) model for predicting product state distributions from
specific initial states (state-to-distribution or STD) for reactive atom-diatom
collisions is presented and quantitatively tested for the N($^4$S)+O$_{2}$(X$^3
\Sigma_{\rm g}^{-}$) $\rightarrow$ NO(X$^2\Pi$) +O($^3$P) reaction. The
reference data set for training the neural network (NN) consists of final state
distributions determined from explicit quasi-classical trajectory (QCT)
simulations for $\sim 2000$ initial conditions. Overall, the prediction
accuracy as quantified by the root-mean-squared difference $(\sim 0.003)$ and
the $R^2$ $(\sim 0.99)$ between the reference QCT and predictions of the STD
model is high for the test set and off-grid state specific initial conditions
and for initial conditions drawn from reactant state distributions
characterized by translational, rotational and vibrational temperatures.
Compared with a more coarse grained distribution-to-distribution (DTD) model
evaluated on the same initial state distributions, the STD model shows
comparable performance with the additional benefit of the state resolution in
the reactant preparation. Starting from specific initial states also leads to a
more diverse range of final state distributions which requires a more
expressive neural network to be used compared with DTD. Direct comparison
between explicit QCT simulations, the STD model, and the widely used
Larsen-Borgnakke (LB) model shows that the STD model is quantitative whereas
the LB model is qualitative at best for rotational distributions $P(j')$ and
fails for vibrational distributions $P(v')$. As such the STD model can be
well-suited for simulating nonequilibrium high-speed flows, e.g., using the
direct simulation Monte Carlo method.
- Abstract（参考訳）: N($^4$S)+O$_{2}$(X$^3 \Sigma_{\rm g}^{-}$)$\rightarrow$ NO(X$^2\Pi$)+O($^3$P)反応において、反応原子-原子衝突に対する特定の初期状態(状態-分布またはSTD)から製品状態分布を予測するための機械学習(ML)モデルを提示し、定量的に検証する。
ニューラルネットワーク(NN)をトレーニングするための参照データセットは、$\sim 2000$の初期条件に対する明示的準古典軌道(QCT)シミュレーションから決定される最終状態分布からなる。
総じて、ルート平均二乗差$(\sim 0.003)$と基準QCTとSTDモデルの予測の間の$R^2$$(\sim 0.99)$の予測精度は、テストセットとオフグリッド状態特定初期条件、および翻訳、回転、振動温度を特徴とする反応状態分布から引き出された初期条件に対して高い。
同じ初期状態分布で評価されるより粗い粒度分布-分配(dtd)モデルと比較すると、stdモデルは反応生成における状態分解能の付加的な利点と同等の性能を示す。
特定の初期状態から始めると、DTDと比較してより表現力のあるニューラルネットワークを必要とする最終的な状態分布がより多様になる。
明示的なQCTシミュレーション、STDモデル、そして広く使用されているLarsen-Borgnakke (LB)モデルとの直接比較は、STDモデルが定量的であるのに対して、LBモデルは回転分布が$P(j')$で定性的であり、振動分布が$P(v')$で失敗することを示している。
このように、stdモデルは直接シミュレーションモンテカルロ法を用いた非平衡高速流れのシミュレーションに適している。
関連論文リスト
- Non-asymptotic bounds for forward processes in denoising diffusions: Ornstein-Uhlenbeck is hard to beat [49.1574468325115]
本稿では,全変動(TV)における前方拡散誤差の非漸近的境界について述べる。
我々は、R$からFarthestモードまでの距離でマルチモーダルデータ分布をパラメライズし、加法的および乗法的雑音による前方拡散を考察する。
論文 参考訳（メタデータ） (2024-08-25T10:28:31Z) - A Sharp Convergence Theory for The Probability Flow ODEs of Diffusion Models [45.60426164657739]
拡散型サンプリング器の非漸近収束理論を開発する。
我々は、$d/varepsilon$がターゲット分布を$varepsilon$トータル偏差距離に近似するのに十分であることを証明した。
我々の結果は、$ell$のスコア推定誤差がデータ生成プロセスの品質にどのように影響するかも特徴付ける。
論文 参考訳（メタデータ） (2024-08-05T09:02:24Z) - Practical and Asymptotically Exact Conditional Sampling in Diffusion Models [35.686996120862055]
条件生成法では,タスク固有の訓練を必要とせず,幅広い条件分布の正確なサンプルを提供する必要がある。
重み付き粒子の集合をシミュレートすることで拡散モデルの条件分布をターゲットとした逐次モンテカルロアルゴリズムであるTwisted Diffusion Sampler(TDS)を導入する。
ベンチマークテストケースでは、TDSはフレキシブルなコンディショニング基準を可能にし、多くの場合、最先端の技術よりも優れています。
論文 参考訳（メタデータ） (2023-06-30T16:29:44Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳（メタデータ） (2023-02-09T21:28:15Z) - CARD: Classification and Regression Diffusion Models [51.0421331214229]
本稿では,条件生成モデルと事前学習条件平均推定器を組み合わせた分類と回帰拡散(CARD)モデルを提案する。
おもちゃの例と実世界のデータセットを用いて条件分布予測におけるCARDの卓越した能力を示す。
論文 参考訳（メタデータ） (2022-06-15T03:30:38Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Generative Network-Based Reduced-Order Model for Prediction, Data
Assimilation and Uncertainty Quantification [0.0]
本稿では,生成ネットワーク(GN)を低次モデル(ROM)フレームワークに統合する手法を提案する。
目的は、利用可能な測定値に一致し、物理シミュレーションの状態とパラメータに関連する、対応する不確かさを推定することである。
論文 参考訳（メタデータ） (2021-05-28T14:12:45Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。