論文の概要: Learning Local Equivariant Representations for Large-Scale Atomistic
Dynamics
- arxiv url: http://arxiv.org/abs/2204.05249v1
- Date: Mon, 11 Apr 2022 16:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 18:58:20.032977
- Title: Learning Local Equivariant Representations for Large-Scale Atomistic
Dynamics
- Title（参考訳）: 大規模原子論ダイナミクスのための局所同変表現の学習
- Authors: Albert Musaelian, Simon Batzner, Anders Johansson, Lixin Sun, Cameron
J. Owen, Mordechai Kornbluth, Boris Kozinsky
- Abstract要約: アレグロは厳密な局所同変深層学習の原子間ポテンシャルである。
並列計算の精度とスケーラビリティを両立させる。
単一のテンソル積層は、既存のディープメッセージパッシングニューラルネットワークやトランスフォーマーよりも優れた性能を示す。
- 参考スコア（独自算出の注目度）: 0.6861083714313458
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A simultaneously accurate and computationally efficient parametrization of
the energy and atomic forces of molecules and materials is a long-standing goal
in the natural sciences. In pursuit of this goal, neural message passing has
lead to a paradigm shift by describing many-body correlations of atoms through
iteratively passing messages along an atomistic graph. This propagation of
information, however, makes parallel computation difficult and limits the
length scales that can be studied. Strictly local descriptor-based methods, on
the other hand, can scale to large systems but do not currently match the high
accuracy observed with message passing approaches. This work introduces
Allegro, a strictly local equivariant deep learning interatomic potential that
simultaneously exhibits excellent accuracy and scalability of parallel
computation. Allegro learns many-body functions of atomic coordinates using a
series of tensor products of learned equivariant representations, but without
relying on message passing. Allegro obtains improvements over state-of-the-art
methods on the QM9 and revised MD-17 data sets. A single tensor product layer
is shown to outperform existing deep message passing neural networks and
transformers on the QM9 benchmark. Furthermore, Allegro displays remarkable
generalization to out-of-distribution data. Molecular dynamics simulations
based on Allegro recover structural and kinetic properties of an amorphous
phosphate electrolyte in excellent agreement with first principles
calculations. Finally, we demonstrate the parallel scaling of Allegro with a
dynamics simulation of 100 million atoms.
- Abstract（参考訳）: 分子や物質のエネルギーと原子力の同時的精度と計算学的に効率的なパラメトリゼーションは、自然科学における長年の目標である。
この目的を追求するために、ニューラルメッセージパッシングは、原子論グラフに沿ってメッセージを反復的に渡すことによって、原子の多体相関を記述することによってパラダイムシフトにつながった。
しかし、この情報の伝播は並列計算を困難にし、研究できる長さスケールを制限する。
厳密には、ローカルディスクリプタベースのメソッドは、大規模システムにスケールできるが、メッセージパッシングアプローチで観察される高い精度には現在マッチしない。
本研究は,並列計算の精度とスケーラビリティを同時に発揮する,厳密な局所的同変深層学習型原子間ポテンシャルであるallegroを紹介する。
allegroは、学習された同値表現の一連のテンソル積を用いて原子座標の多体関数を学習するが、メッセージパッシングに依存しない。
AllegroはQM9の最先端の手法と改訂されたMD-17データセットの改善を得た。
単一のテンソル製品層は、QM9ベンチマークで、既存のディープメッセージパッシングニューラルネットワークとトランスフォーマーよりも優れたパフォーマンスを示す。
さらに、allegroは分散外データに対する顕著な一般化を示す。
アレッグロに基づく分子動力学シミュレーションでは、アモルファスリン酸電解質の構造と運動特性が第一原理計算とよく一致している。
最後に,1億原子の動力学シミュレーションにより,allegroの並列スケーリングを実証する。
関連論文リスト
- Higher-Rank Irreducible Cartesian Tensors for Equivariant Message Passing [23.754664894759234]
原子学シミュレーションは 化学の進歩に不可欠です
機械学習された原子間ポテンシャルは、計算コストのごく一部でアブイニシアト法と第一原理法と同等の精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T07:31:20Z) - Scaling the leading accuracy of deep equivariant models to biomolecular
simulations of realistic size [0.0]
この研究は、深部等変ニューラルネットワークの精度、サンプル効率、ロバスト性を極端に計算スケールにもたらす。
革新的なモデルアーキテクチャ、大規模な並列化、GPUの効率的な利用に最適化されたモデルと実装を組み合わせることで実現されている。
論文 参考訳（メタデータ） (2023-04-20T03:02:25Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Robust and Controllable Object-Centric Learning through Energy-based
Models [95.68748828339059]
我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。
既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:11:15Z) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳（メタデータ） (2021-09-15T16:46:46Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳（メタデータ） (2021-06-24T15:58:57Z) - 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) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - Fast Gravitational Approach for Rigid Point Set Registration with
Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。
FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。
従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文 参考訳（メタデータ） (2020-09-28T15:05:39Z) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳（メタデータ） (2020-03-27T14:35:37Z)
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。