論文の概要: Evolving symbolic density functionals
- arxiv url: http://arxiv.org/abs/2203.02540v1
- Date: Thu, 3 Mar 2022 07:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 18:32:49.435314
- Title: Evolving symbolic density functionals
- Title(参考訳): 進化する記号密度汎関数
- Authors: He Ma, Arunachalam Narayanaswamy, Patrick Riley, Li Li
- Abstract要約: 本稿では,シンボル形式の正確な関数を自動生成する新しいフレームワーク,SyFESを提案する。
我々のフレームワークは,記号密度関数の体系的開発に計算能力を活用するための新たな方向を開く。
- 参考スコア(独自算出の注目度): 5.846106754490333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Systematic development of accurate density functionals has been a
decades-long challenge for scientists. Despite the emerging application of
machine learning (ML) in approximating functionals, the resulting ML
functionals usually contain more than tens of thousands parameters, which makes
a huge gap in the formulation with the conventional human-designed symbolic
functionals. We propose a new framework, Symbolic Functional Evolutionary
Search (SyFES), that automatically constructs accurate functionals in the
symbolic form, which is more explainable to humans, cheaper to evaluate, and
easier to integrate to existing density functional theory codes than other ML
functionals. We first show that without prior knowledge, SyFES reconstructed a
known functional from scratch. We then demonstrate that evolving from an
existing functional $\omega$B97M-V, SyFES found a new functional, GAS22 (Google
Accelerated Science 22), that performs better on main-group chemistry. Our
framework opens a new direction in leveraging computing power for the
systematic development of symbolic density functionals.
- Abstract(参考訳): 正確な密度汎関数の体系的な開発は、科学者にとって長年の課題だった。
機械学習(ML)の近似機能への応用が急速に進んでいるにもかかわらず、結果のML関数は通常、数万以上のパラメータを含むため、従来の人間設計のシンボル関数との定式化において大きなギャップが生じる。
本稿では,人間に説明しやすく,評価が安価で,他のml関数よりも既存の密度汎関数コードへの統合が容易なシンボリック関数進化探索(syfes)という新しい枠組みを提案する。
まず、事前の知識がなければ、SyFESはスクラッチから既知の機能を再構築した。
そして、既存の機能的な$\omega$b97m-vから進化し、syfesは新しい機能であるgas22(googleaccelerated science 22)を発見した。
我々のフレームワークは,記号密度関数の体系的開発に計算能力を活用するための新たな方向を開く。
関連論文リスト
- Emergent Modularity in Pre-trained Transformers [127.08792763817496]
モジュラリティの主な特徴は、ニューロンの機能的特殊化と機能に基づくニューロングループ化である。
事前学習中にモジュラリティがどのように出現するかを調べた結果,モジュール構造が早期に安定していることが判明した。
このことはトランスフォーマーがまずモジュラ構造を構築し、次にきめ細かいニューロン関数を学ぶことを示唆している。
論文 参考訳(メタデータ) (2023-05-28T11:02:32Z) - GELU Activation Function in Deep Learning: A Comprehensive Mathematical
Analysis and Performance [2.458437232470188]
GELU活性化関数の可微分性, 有界性, 定常性, 滑らか性について検討した。
GELUは,他のアクティベーション機能と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-20T03:22:43Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳(メタデータ) (2023-04-30T22:51:31Z) - Data-Driven Learning of Feedforward Neural Networks with Different
Activation Functions [0.0]
この研究は、フィードフォワードニューラルネットワーク(FNN)学習の新しいデータ駆動手法(D-DM)の開発に寄与する。
論文 参考訳(メタデータ) (2021-07-04T18:20:27Z) - Evolution of Activation Functions: An Empirical Investigation [0.30458514384586394]
本研究は、完全に新しい活性化関数の探索を自動化する進化的アルゴリズムを提案する。
これらの新しい活性化関数を、既存の一般的なアクティベーション関数と比較する。
論文 参考訳(メタデータ) (2021-05-30T20:08:20Z) - eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。
sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。
eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
論文 参考訳(メタデータ) (2021-03-12T22:26:36Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳(メタデータ) (2021-02-25T18:59:21Z) - UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。
ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
論文 参考訳(メタデータ) (2020-07-28T09:31:56Z) - Discovering Parametric Activation Functions [17.369163074697475]
本稿では,アクティベーション機能を自動でカスタマイズする手法を提案する。
CIFAR-10とCIFAR-100の画像分類データセット上の4つの異なるニューラルネットワークアーキテクチャによる実験は、このアプローチが有効であることを示している。
論文 参考訳(メタデータ) (2020-06-05T00:25:33Z) - DeepRetinotopy: Predicting the Functional Organization of Human Visual
Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。
我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文 参考訳(メタデータ) (2020-05-26T04:54:31Z) - Evolutionary Optimization of Deep Learning Activation Functions [15.628118691027328]
進化的アルゴリズムは、Rectified Linear Unit(ReLU)より優れている新しいアクティベーション関数を発見できることを示す。
ReLUを活性化関数に置き換えると、統計的にネットワークの精度が向上する。
これらの新しい活性化関数は、タスク間で高いパフォーマンスを達成するために一般化される。
論文 参考訳(メタデータ) (2020-02-17T19:54:26Z)
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。