論文の概要: Edge-based Tensor prediction via graph neural networks
- arxiv url: http://arxiv.org/abs/2201.05770v1
- Date: Sat, 15 Jan 2022 06:43:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 19:00:30.317866
- Title: Edge-based Tensor prediction via graph neural networks
- Title（参考訳）: グラフニューラルネットワークによるエッジベーステンソル予測
- Authors: Yang Zhong, Hongyu Yu, Xingao Gong, Hongjun Xiang
- Abstract要約: メッセージパッシングニューラルネットワーク(MPNN)は、分子や結晶の物理的特性を予測する上で、極めて高い効率と精度を示す。
現在、結晶のテンソル特性を直接予測するための一般的なMPNNフレームワークが欠如している。
本研究では, エッジベーステンソル予測グラフニューラルネットワーク(ETGNN)モデルを不変グラフニューラルネットワークに基づいて直接設計し, テンソルの予測を行う。
- 参考スコア（独自算出の注目度）: 6.021787236982659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Message-passing neural networks (MPNN) have shown extremely high efficiency
and accuracy in predicting the physical properties of molecules and crystals,
and are expected to become the next-generation material simulation tool after
the density functional theory (DFT). However, there is currently a lack of a
general MPNN framework for directly predicting the tensor properties of the
crystals. In this work, a general framework for the prediction of tensor
properties was proposed: the tensor property of a crystal can be decomposed
into the average of the tensor contributions of all the atoms in the crystal,
and the tensor contribution of each atom can be expanded as the sum of the
tensor projections in the directions of the edges connecting the atoms. On this
basis, the edge-based expansions of force vectors, Born effective charges
(BECs), dielectric (DL) and piezoelectric (PZ) tensors were proposed. These
expansions are rotationally equivariant, while the coefficients in these tensor
expansions are rotationally invariant scalars which are similar to physical
quantities such as formation energy and band gap. The advantage of this tensor
prediction framework is that it does not require the network itself to be
equivariant. Therefore, in this work, we directly designed the edge-based
tensor prediction graph neural network (ETGNN) model on the basis of the
invariant graph neural network to predict tensors. The validity and high
precision of this tensor prediction framework were shown by the tests of ETGNN
on the extended systems, random perturbed structures and JARVIS-DFT datasets.
This tensor prediction framework is general for nearly all the GNNs and can
achieve higher accuracy with more advanced GNNs in the future.
- Abstract（参考訳）: メッセージパッシングニューラルネットワーク(MPNN)は分子や結晶の物性を予測する上で極めて高い効率と精度を示しており、密度汎関数理論(DFT)の後、次世代の物質シミュレーションツールとして期待されている。
しかし、現在、結晶のテンソル特性を直接予測するための一般的なMPNNフレームワークが欠如している。
本研究では、結晶のテンソル特性を結晶中のすべての原子のテンソル寄与の平均に分解し、各原子のテンソル寄与を、原子を接続するエッジの方向のテンソル投影の和として拡張できるという、テンソル特性の予測のための一般的な枠組みを提案した。
そこで, 力ベクトル, ボルン有効電荷 (BEC) , 誘電体 (DL) および圧電体 (PZ) テンソルのエッジベース展開を提案した。
これらの展開は回転不変であるが、テンソル展開の係数は回転不変スカラーであり、生成エネルギーやバンドギャップのような物理量に類似している。
このテンソル予測フレームワークの利点は、ネットワーク自体が同変である必要はないことである。
そこで本研究では,変分グラフニューラルネットワークに基づいて,エッジベーステンソル予測グラフニューラルネットワーク(ETGNN)モデルを直接設計し,テンソルの予測を行う。
このテンソル予測フレームワークの有効性と精度は、ETGNNが拡張したシステム、ランダムな摂動構造、JARVIS-DFTデータセットで検証した。
このテンソル予測フレームワークは、ほぼすべてのGNNに対して一般的であり、将来的にはより高度なGNNで高い精度を達成することができる。
関連論文リスト
- A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction [89.38877696273364]
結晶材料の一般的な引張特性の予測について考察する。
本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。
実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
論文 参考訳（メタデータ） (2024-06-03T16:26:16Z) - Neural Tangent Kernels Motivate Graph Neural Networks with
Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。
その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。
これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文 参考訳（メタデータ） (2023-10-16T19:54:21Z) - StrainTensorNet: Predicting crystal structure elastic properties using
SE(3)-equivariant graph neural networks [1.9260081982051918]
結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。
このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
論文 参考訳（メタデータ） (2023-06-22T11:34:08Z) - TensorNet: Cartesian Tensor Representations for Efficient Learning of
Molecular Potentials [4.169915659794567]
我々は、革新的なO(3)等価メッセージパッシングニューラルネットワークアーキテクチャであるNetを紹介する。
テンソル原子埋め込みを用いることで、機能混合は行列積演算により単純化される。
ポテンシャルエネルギーと力の上のベクトルとテンソル分子量の正確な予測が可能である。
論文 参考訳（メタデータ） (2023-06-10T16:41:18Z) - Isometric tensor network optimization for extensive Hamiltonians is free
of barren plateaus [0.0]
等尺テンソルネットワーク状態(TNS)のエネルギー最適化にはバレンプラトーが存在しないことを示す。
TNSは、強相関量子物質の効率的な量子計算に基づく研究に期待できるルートである。
論文 参考訳（メタデータ） (2023-04-27T16:45:57Z) - Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
我々は, テンソル全体の精度保証を行う。
結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
論文 参考訳（メタデータ） (2022-07-09T19:33:59Z) - Equivariant message passing for the prediction of tensorial properties
and molecular spectra [1.7188280334580197]
偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。
これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
論文 参考訳（メタデータ） (2021-02-05T13:00:12Z) - Tensor-Train Networks for Learning Predictive Modeling of
Multidimensional Data [0.0]
有望な戦略は、物理的および化学的用途で非常に成功したテンソルネットワークに基づいています。
本研究では, 多次元回帰モデルの重みをテンソルネットワークを用いて学習し, 強力なコンパクト表現を実現することを示した。
TT形式の重みを計算力の低減で近似するための最小二乗を交互に行うアルゴリズムが提案されている。
論文 参考訳（メタデータ） (2021-01-22T16:14:38Z) - T-Basis: a Compact Representation for Neural Networks [89.86997385827055]
テンソルの集合をコンパクトに表現するための概念である T-Basis をニューラルネットワークでよく見られる任意の形状で導入する。
ニューラルネットワーク圧縮の課題に対する提案手法の評価を行い, 許容性能低下時に高い圧縮速度に達することを示す。
論文 参考訳（メタデータ） (2020-07-13T19:03:22Z) - Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。
素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
論文 参考訳（メタデータ） (2020-06-08T17:54:43Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。