Fugu-MT 論文翻訳(概要): Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN)

論文の概要: Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN)

arxiv url: http://arxiv.org/abs/2201.08348v1
Date: Thu, 20 Jan 2022 18:28:22 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 15:34:45.327055
Title: Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN)
Title（参考訳）: 原子性線グラフニューラルネットワーク(ALIGNN)を用いた結晶性化合物の電子密度の予測
Authors: Prathik R Kaundinya, Kamal Choudhary, Surya R. Kalidindi
Abstract要約: 本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) based models have greatly enhanced the traditional materials discovery and design pipeline. Specifically, in recent years, surrogate ML models for material property prediction have demonstrated success in predicting discrete scalar-valued target properties to within reasonable accuracy of their DFT-computed values. However, accurate prediction of spectral targets such as the electron Density of States (DOS) poses a much more challenging problem due to the complexity of the target, and the limited amount of available training data. In this study, we present an extension of the recently developed Atomistic Line Graph Neural Network (ALIGNN) to accurately predict DOS of a large set of material unit cell structures, trained to the publicly available JARVIS-DFT dataset. Furthermore, we evaluate two methods of representation of the target quantity - a direct discretized spectrum, and a compressed low-dimensional representation obtained using an autoencoder. Through this work, we demonstrate the utility of graph-based featurization and modeling methods in the prediction of complex targets that depend on both chemistry and directional characteristics of material structures.
Abstract（参考訳）: 機械学習(ML)ベースのモデルは、従来の材料発見と設計パイプラインを大幅に強化した。特に近年、材料特性予測のためのサロゲートmlモデルは、離散スカラー値のターゲット特性をdft計算値の妥当な精度で予測することに成功している。しかしながら、状態の電子密度(DOS)のようなスペクトルターゲットの正確な予測は、ターゲットの複雑さと利用可能なトレーニングデータの限られた量により、はるかに難しい問題を引き起こす。本研究では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、利用可能なJARVIS-DFTデータセットにトレーニングされた大量の物質単位セル構造のDOSを正確に予測する。さらに, 直接離散化スペクトルと, オートエンコーダを用いて得られた圧縮低次元表現の2つの方法を評価する。本研究は, 物質構造の化学特性と配向特性に依存する複雑な対象の予測において, グラフに基づく創製・モデル化手法の有用性を実証するものである。

関連論文リスト

Electronic structure prediction of medium and high entropy alloys across composition space [4.556522329713242]
本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
論文参考訳（メタデータ） (2024-10-10T18:29:31Z)
Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文参考訳（メタデータ） (2024-02-06T20:35:28Z)
Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-08T21:56:19Z)
Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
論文参考訳（メタデータ） (2023-09-12T16:13:10Z)
Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
論文参考訳（メタデータ） (2023-08-24T21:41:29Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文参考訳（メタデータ） (2022-05-31T22:28:34Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
論文参考訳（メタデータ） (2020-11-04T16:56:08Z)
Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文参考訳（メタデータ） (2020-05-27T13:32:10Z)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。