論文の概要: Unified theory of atom-centered representations and graph convolutional machine-learning schemes

• arxiv url: http://arxiv.org/abs/2202.01566v1
• Date: Thu, 3 Feb 2022 12:56:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-04 13:47:39.178515
• Title: Unified theory of atom-centered representations and graph convolutional machine-learning schemes
• Title（参考訳）: 原子中心表現の統一理論とグラフ畳み込み機械学習スキーム
• Authors: Jigyasa Nigam, Guillaume Fraux, Michele Ceriotti
• Abstract要約: 原子中心密度相関 (ACDC) は、標的の体秩序、対称性に適応した拡張の基礎として用いられる。 我々は、ACDCを多中心情報を含むように一般化し、原子座標の対称関数を回帰するために完全な線形基底を与える表現を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven schemes that associate molecular and crystal structures with their microscopic properties share the need for a concise, effective description of the arrangement of their atomic constituents. Many types of models rely on descriptions of atom-centered environments, that are associated with an atomic property or with an atomic contribution to an extensive macroscopic quantity. Frameworks in this class can be understood in terms of atom-centered density correlations (ACDC), that are used as a basis for a body-ordered, symmetry-adapted expansion of the targets. Several other schemes, that gather information on the relationship between neighboring atoms using graph-convolutional (or message-passing) ideas, cannot be directly mapped to correlations centered around a single atom. We generalize the ACDC framework to include multi-centered information, generating representations that provide a complete linear basis to regress symmetric functions of atomic coordinates, and form the basis to systematize our understanding of both atom-centered and graph-convolutional machine-learning schemes.
• Abstract（参考訳）: 分子と結晶の構造とその微視的性質を関連付けるデータ駆動スキームは、原子構成物の配置を簡潔かつ効果的に記述する必要がある。 多くのモデルでは、原子中心の環境の記述に依存しており、それらは原子の性質や広範なマクロ量への原子の寄与と関連している。 このクラスのフレームワークは、原子中心密度相関(ACDC)という用語で理解することができ、これは、標的の体秩序、対称性に適応した拡張の基礎として使用される。 グラフ畳み込み(あるいはメッセージパッシング)の概念を用いて隣り合う原子間の関係を収集する他のいくつかのスキームは、単一の原子を中心とした相関に直接マッピングすることはできない。 我々は、adcdcフレームワークを多元的情報を含むように一般化し、原子座標の対称関数に完全線形基底を与える表現を生成し、原子中心およびグラフ畳み込み機械学習スキームの理解を体系化する基礎を形成する。

関連論文リスト

• Cartesian atomic cluster expansion for machine learning interatomic potentials [0.0]
  機械学習の原子間ポテンシャルは、物質科学と化学における原子モデルに革命をもたらしている。 本稿では, 高い精度, 安定性, 一般化性を示す, カルテシアン配位子に基づく原子密度展開を提案する。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。
  論文  参考訳（メタデータ） (2024-02-12T08:17:23Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Completeness of Atomic Structure Representations [0.0]
  本稿では, 粒子三重項の相対配置に基づいて, 無限相関の記述子を構築するための新しい手法を提案する。 我々の戦略は、従来の対称ディスクリプタの幅広いクラスを無効にするために特別に構築された原子配列のクラスで実証される。
  論文  参考訳（メタデータ） (2023-02-28T17:11:42Z)
• Heterogeneous reconstruction of deformable atomic models in Cryo-EM [30.864688165021054]
  変形を少数の集団運動に還元した原子論的な表現に基づく異種再構成法について述べる。 各分布について、我々の手法が原子レベルの精度で中間原子モデルを再カプセル化可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-29T22:35:35Z)
• Correlated steady states and Raman lasing in continuously pumped and probed atomic ensembles [68.8204255655161]
  我々は、継続的に光学的に励起され、探査されるアルカリ原子のアンサンブルを考える。 大きな光学深度での光子の集団散乱のため、原子の定常状態は非相関なテンソル生成状態に対応しない。 超ラジアントレーザーのモデルに類似したラマンラシングの機構を発見し,特徴付けする。
  論文  参考訳（メタデータ） (2022-05-10T06:54:54Z)
• Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties [0.0]
  我々は、非常に成功した原子中心密度相関特性をN中心の場合に一般化する構造記述子の族について論じる。 特に、原子中心軌道ベースで書かれた(有効)単一粒子ハミルトニアンの行列要素を効率的に学習するために、この構造がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-09-24T17:19:57Z)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• 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)

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。