論文の概要: Multi-task graph neural networks for simultaneous prediction of global and atomic properties in ferromagnetic systems

• arxiv url: http://arxiv.org/abs/2202.01954v1
• Date: Fri, 4 Feb 2022 03:38:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 16:01:50.428430
• Title: Multi-task graph neural networks for simultaneous prediction of global and atomic properties in ferromagnetic systems
• Title（参考訳）: 強磁性系の大域的・原子的特性の同時予測のためのマルチタスクグラフニューラルネットワーク
• Authors: Massimiliano Lupo Pasini, Pei Zhang, Samuel Temple Reeve, Jong Youl Choi
• Abstract要約: マルチタスクグラフ畳み込みニューラルネットワークHydraGNNを導入し,大域的特性と原子的特性の両方を同時に予測する。 我々は,HydraGNNが構成エントロピーと構成範囲全体の材料特性の関係を効果的に捉えていることを示す。
• 参考スコア（独自算出の注目度）: 2.069828918268266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a multi-tasking graph convolutional neural network, HydraGNN, to simultaneously predict both global and atomic physical properties and demonstrate with ferromagnetic materials. We train HydraGNN on an open-source ab initio density functional theory (DFT) dataset for iron-platinum (FePt) with a fixed body centered tetragonal (BCT) lattice structure and fixed volume to simultaneously predict the mixing enthalpy (a global feature of the system), the atomic charge transfer, and the atomic magnetic moment across configurations that span the entire compositional range. By taking advantage of underlying physical correlations between material properties, multi-task learning (MTL) with HydraGNN provides effective training even with modest amounts of data. Moreover, this is achieved with just one architecture instead of three, as required by single-task learning (STL). The first convolutional layers of the HydraGNN architecture are shared by all learning tasks and extract features common to all material properties. The following layers discriminate the features of the different properties, the results of which are fed to the separate heads of the final layer to produce predictions. Numerical results show that HydraGNN effectively captures the relation between the configurational entropy and the material properties over the entire compositional range. Overall, the accuracy of simultaneous MTL predictions is comparable to the accuracy of the STL predictions. In addition, the computational cost of training HydraGNN for MTL is much lower than the original DFT calculations and also lower than training separate STL models for each property.
• Abstract（参考訳）: マルチタスクグラフ畳み込みニューラルネットワークHydraGNNを導入し,大域的および原子的物性の同時予測と強磁性材料による実証を行った。 我々はHydraGNNを、固定体中心四角形(BCT)格子構造と固定体積を持つ鉄白金(FePt)のオープンソースab initio density functional theory(DFT)データセットで訓練し、混合エンタルピー(システムのグローバルな特徴)、原子電荷移動、原子磁気モーメントを構成範囲全体にわたって同時に予測する。 材料特性間の物理的相関を生かしたマルチタスク学習(mtl)とhydragnnは、少ない量のデータでも効果的なトレーニングを提供する。 さらに、シングルタスク学習(STL)に必要なように、3つではなく1つのアーキテクチャで実現されている。 hydragnnアーキテクチャの最初の畳み込み層は、すべての学習タスクで共有され、すべての材料特性に共通する特徴を抽出する。 以下の層は、異なる特性の特徴を判別し、結果が最終層の別々の頭部に供給され、予測を生成する。 数値計算の結果,HydraGNNは構成エントロピーと組成範囲全体の材料特性の関係を効果的に捉えていることがわかった。 全体として、同時MTL予測の精度はSTL予測の精度に匹敵する。 さらに,MTL用HydraGNNのトレーニングコストは,元のDFT計算よりもはるかに低く,また,各特性に対する個別STLモデルのトレーニングコストよりも低い。

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)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Curvature-informed multi-task learning for graph networks [56.155331323304]
  最先端のグラフニューラルネットワークは、複数の特性を同時に予測しようとする。 この現象の潜在的な説明として、各特性の損失面の曲率が大きく異なり、非効率な学習につながる可能性がある。
  論文  参考訳（メタデータ） (2022-08-02T18:18:41Z)
• Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
  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。
  論文  参考訳（メタデータ） (2022-01-20T18:28:22Z)
• Spectral Complexity-scaled Generalization Bound of Complex-valued Neural Networks [78.64167379726163]
  本論文は,複素数値ニューラルネットワークの一般化を証明した最初の論文である。 複雑な値の畳み込みニューラルネットワークを異なるデータセット上でトレーニングして実験を行う。
  論文  参考訳（メタデータ） (2021-12-07T03:25:25Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
  本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。 本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
  論文  参考訳（メタデータ） (2020-08-14T15:22:22Z)
• 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。