論文の概要: Predicting Lattice Phonon Vibrational Frequencies Using Deep Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2111.05885v1
• Date: Wed, 10 Nov 2021 19:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 15:00:02.934183
• Title: Predicting Lattice Phonon Vibrational Frequencies Using Deep Graph Neural Networks
• Title（参考訳）: ディープグラフニューラルネットワークを用いた格子フォノン振動周波数の予測
• Authors: Nghia Nguyen, Steph-Yves Louis, Lai Wei, Kamal Choudhary, Ming Hu, Jianjun Hu
• Abstract要約: 結晶構造から結晶振動の周波数を高精度に予測するディープグラフニューラルネットワークアルゴリズムを提案する。 15,000と35,552のサンプルを持つ2つのデータセットのベンチマーク研究により、予測の合計R2$スコアはそれぞれ0.554と0.724に達することが示された。
• 参考スコア（独自算出の注目度）: 2.9227251776083105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lattice vibration frequencies are related to many important materials properties such as thermal and electrical conductivity as well as superconductivity. However, computational calculation of vibration frequencies using density functional theory (DFT) methods is too computationally demanding for a large number of samples in materials screening. Here we propose a deep graph neural network-based algorithm for predicting crystal vibration frequencies from crystal structures with high accuracy. Our algorithm addresses the variable dimension of vibration frequency spectrum using the zero padding scheme. Benchmark studies on two data sets with 15,000 and 35,552 samples show that the aggregated $R^2$ scores of the prediction reaches 0.554 and 0.724 respectively. Our work demonstrates the capability of deep graph neural networks to learn to predict phonon spectrum properties of crystal structures in addition to phonon density of states (DOS) and electronic DOS in which the output dimension is constant.
• Abstract（参考訳）: 格子振動周波数は超伝導と同様に熱伝導率や電気伝導率などの重要な材料特性と関係している。 しかし、密度汎関数理論(DFT)法による振動周波数の計算は、材料スクリーニングにおいて多数のサンプルを計算的に要求しすぎる。 本稿では,結晶構造からの結晶振動周波数を高精度に予測するディープグラフニューラルネットワークアルゴリズムを提案する。 このアルゴリズムはゼロパディング方式を用いて振動周波数スペクトルの可変次元に対処する。 15,000 と 35,552 のサンプルを持つ2 つのデータセットのベンチマーク研究により、予測の合計 R^2$ スコアはそれぞれ0.554 と 0.724 に達することが示された。 本研究は,結晶構造のフォノンスペクトル特性を,出力次元が一定であるフォノン密度(dos)と電子dosに加えて予測するディープグラフニューラルネットワークの能力を示す。

関連論文リスト

• Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
  シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。 本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-09T02:44:53Z)
• Learning to Predict Structural Vibrations [2.4746345679821617]
  飛行機、車、家屋などの機械構造では、騒音が発生し振動によって伝達される。 このノイズを低減させるためには、高価な数値計算で振動をシミュレートする必要がある。 本稿では,高調波励起板の振動予測に関するベンチマークを示す。
  論文  参考訳（メタデータ） (2023-10-09T07:26:35Z)
• 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)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Frequency and Scale Perspectives of Feature Extraction [5.081561820537235]
  ニューラルネットワークの周波数とスケールに対する感度を分析する。 ニューラルネットワークは低周波と中周波のバイアスを持つが、異なるクラスに対して異なる周波数帯域を好む。 これらの観察により、ニューラルネットワークは様々なスケールと周波数で特徴を抽出する能力を学ぶ必要があるという仮説が導かれる。
  論文  参考訳（メタデータ） (2023-02-24T06:37:36Z)
• SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with Adaptive Noise Spectral Shaping [51.698273019061645]
  SpecGradは拡散雑音に適応し、その時間変化スペクトル包絡が条件付き対数メル分光器に近づく。 時間周波数領域で処理され、計算コストは従来のDDPMベースのニューラルボコーダとほぼ同じである。
  論文  参考訳（メタデータ） (2022-03-31T02:08:27Z)
• Quantum perturbation theory using Tensor cores and a deep neural network [0.0]
  時間非依存の量子応答計算は、フローティングコアを用いて行われる。 2つのNvidia A100 GPUのコアを用いて,200Tflopsのピーク性能を実証した。
  論文  参考訳（メタデータ） (2022-03-17T21:24:10Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Complete parameter inference for GW150914 using deep learning [0.0]
  LIGOとVirgoの重力波観測所は過去5年間に多くのエキサイティングな出来事を観測してきた。 検出速度は検出器感度とともに増加するため、データ解析において計算上の課題が増大する。 本研究では,重力波に対する高速確率自由ベイズ推定にディープラーニング手法を適用した。
  論文  参考訳（メタデータ） (2020-08-07T18:00:02Z)

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。