論文の概要: Normalizing flows for atomic solids
- arxiv url: http://arxiv.org/abs/2111.08696v1
- Date: Tue, 16 Nov 2021 18:54:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 15:20:20.906268
- Title: Normalizing flows for atomic solids
- Title(参考訳): 原子固体の正規化流れ
- Authors: Peter Wirnsberger, George Papamakarios, Borja Ibarz, S\'ebastien
Racani\`ere, Andrew J. Ballard, Alexander Pritzel, Charles Blundell
- Abstract要約: 原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
- 参考スコア(独自算出の注目度): 67.70049117614325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a machine-learning approach, based on normalizing flows, for
modelling atomic solids. Our model transforms an analytically tractable base
distribution into the target solid without requiring ground-truth samples for
training. We report Helmholtz free energy estimates for cubic and hexagonal ice
modelled as monatomic water as well as for a truncated and shifted
Lennard-Jones system, and find them to be in excellent agreement with
literature values and with estimates from established baseline methods. We
further investigate structural properties and show that the model samples are
nearly indistinguishable from the ones obtained with molecular dynamics. Our
results thus demonstrate that normalizing flows can provide high-quality
samples and free energy estimates of solids, without the need for multi-staging
or for imposing restrictions on the crystal geometry.
- Abstract(参考訳): 原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
本モデルでは, 実地サンプルを必要とせず, 解析的に導出可能な塩基分布を対象固体に変換する。
ヘルムホルツ自由エネルギーは,単原子水としてモデル化された立方体氷とヘキサゴナル氷,およびレナード・ジョーンズ系について推定し,文献値や確立された基準法から推定した値とよく一致していることを見いだした。
さらに, 構造特性について検討し, モデル試料が分子動力学で得られたものとほとんど区別できないことを示した。
その結果, 正規化フローは, マルチステージングや結晶形状の制約を伴わずに, 高品質な試料と固体の自由エネルギー推定を提供できることがわかった。
関連論文リスト
- FlowMM: Generating Materials with Riemannian Flow Matching [16.68310253042657]
両タスクの最先端性能を実現するための生成モデルであるFlowMMを提案する。
われわれのフレームワークは,フローベース分布の選択の自由を可能とし,結晶構造学習の問題を劇的に単純化する。
標準ベンチマークに加えて, 量子化学計算によるFlowMMの生成構造を検証した。
論文 参考訳(メタデータ) (2024-06-07T07:46:23Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2~5倍の速さでトレーニングを行う。
論文 参考訳(メタデータ) (2024-02-09T01:11:23Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳(メタデータ) (2023-10-18T15:49:39Z) - Equivariant Parameter Sharing for Porous Crystalline Materials [4.271235935891555]
既存の結晶特性予測法は、制限的すぎる制約を持つか、単位細胞間で対称性を組み込むのみである。
我々は、結晶の単位セルの対称性をアーキテクチャに組み込んだモデルを開発し、多孔質構造を明示的にモデル化する。
提案手法は, 既存の結晶特性予測法よりも優れた性能を示し, 対称性の包含によりより効率的なモデルが得られることを確認した。
論文 参考訳(メタデータ) (2023-04-04T08:33:13Z) - Rigid Body Flows for Sampling Molecular Crystal Structures [4.368185344922342]
三次元空間における複数物体の位置と向きをモデル化するための新しいタイプの正規化フローを提案する。
まず、単位四元数群上の滑らかで表現力のある流れを定義し、剛体の連続的な回転運動を捉える。
TIP4P水モデルでは,外部磁場における四面体系の多モード密度と氷XI相の2つの分子例に対してボルツマン発電機を訓練して評価を行った。
論文 参考訳(メタデータ) (2023-01-26T19:07:40Z) - Gauge-equivariant flow models for sampling in lattice field theories
with pseudofermions [51.52945471576731]
本研究は,フェルミオン行列式の推定器として擬フェルミオンを用いたフェルミオン格子場理論におけるフローベースサンプリングのためのゲージ不変アーキテクチャを提案する。
これは最先端の格子場理論計算におけるデフォルトのアプローチであり、QCDのような理論へのフローモデルの実践的応用に欠かせない。
論文 参考訳(メタデータ) (2022-07-18T21:13:34Z) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳(メタデータ) (2022-06-28T15:35:55Z) - Flow-based sampling in the lattice Schwinger model at criticality [54.48885403692739]
フローベースアルゴリズムは、格子場理論への応用のためのフィールド分布の効率的なサンプリングを提供することができる。
フェルミオン質量の臨界値におけるシュウィンガーモデルにおけるロバストな流れに基づくサンプリングの数値的な実演を行う。
論文 参考訳(メタデータ) (2022-02-23T19:00:00Z) - Learning Equivariant Energy Based Models with Equivariant Stein
Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。
まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。
我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文 参考訳(メタデータ) (2021-06-15T01:35:17Z) - Stochastic modeling of non-linear adsorption with Gaussian kernel
density estimators [2.7126936616742845]
吸着は、製品製造や汚染修復など、多くの分野で関連するプロセスである。
我々は吸着シミュレーションのための化学拡散反応モデルを提案した。
提案モデルでは,ラングミュアとフレンドリッヒ等温線の非線形挙動特性を効果的に再現することができる。
論文 参考訳(メタデータ) (2020-04-14T12:21:33Z)
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。