論文の概要: Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery

• arxiv url: http://arxiv.org/abs/2205.02967v1
• Date: Fri, 6 May 2022 00:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 14:21:47.168268
• Title: Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery
• Title（参考訳）: 機械学習加速材料発見における密度汎関数理論の適用
• Authors: Chenru Duan, Fang Liu, Aditya Nandy, and Heather J. Kulik
• Abstract要約: 従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
• 参考スコア（独自算出の注目度）: 2.7810723668216575
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accelerated discovery with machine learning (ML) has begun to provide the advances in efficiency needed to overcome the combinatorial challenge of computational materials design. Nevertheless, ML-accelerated discovery both inherits the biases of training data derived from density functional theory (DFT) and leads to many attempted calculations that are doomed to fail. Many compelling functional materials and catalytic processes involve strained chemical bonds, open-shell radicals and diradicals, or metal-organic bonds to open-shell transition-metal centers. Although promising targets, these materials present unique challenges for electronic structure methods and combinatorial challenges for their discovery. In this Perspective, we describe the advances needed in accuracy, efficiency, and approach beyond what is typical in conventional DFT-based ML workflows. These challenges have begun to be addressed through ML models trained to predict the results of multiple methods or the differences between them, enabling quantitative sensitivity analysis. For DFT to be trusted for a given data point in a high-throughput screen, it must pass a series of tests. ML models that predict the likelihood of calculation success and detect the presence of strong correlation will enable rapid diagnoses and adaptation strategies. These "decision engines" represent the first steps toward autonomous workflows that avoid the need for expert determination of the robustness of DFT-based materials discoveries.
• Abstract（参考訳）: 機械学習(ml)による加速発見は、計算材料設計の組合せ的課題を克服するために必要な効率の進歩を提供し始めた。 それでも、ML加速発見は、密度汎関数理論(DFT)に由来するトレーニングデータのバイアスを継承し、失敗する運命にある多くの計算を試みている。 多くの魅力的な機能性材料と触媒プロセスは、ひずみした化学結合、開殻ラジカルおよび二ラジカル、または開殻遷移金属中心への金属-有機結合を含む。 有望なターゲットではあるが、これらの材料は電子構造法とそれらの発見のための組合せ的課題に独特な挑戦を与えている。 本稿では、従来のDFTベースのMLワークフローで典型的なものを超えて、精度、効率、アプローチに必要な進歩について述べる。 これらの課題は、複数のメソッドの結果やそれらの違いを予測するために訓練されたMLモデルを通じて解決され始めており、定量的感度分析を可能にしている。 DFTが高スループット画面で所定のデータポイントを信頼するには、一連のテストに合格しなければならない。 計算成功の可能性を予測し、強い相関関係の存在を検出するMLモデルは、迅速な診断と適応戦略を可能にする。 これらの「決定エンジン」は、DFTベースの材料発見の堅牢性に関する専門家による決定を避けるための、自律ワークフローに向けた最初のステップである。

関連論文リスト

• Accelerating the discovery of low-energy structure configurations: a computational approach that integrates first-principles calculations, Monte Carlo sampling, and Machine Learning [8.695927973994577]
  我々は,モンテカルロサンプリング,第一原理DFT計算,機械学習を組み合わせた物理に基づくデータ駆動手法を開発した。 タングステン系4元系高エントロピー合金の特別な場合に対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T01:34:42Z)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• Reliable edge machine learning hardware for scientific applications [34.87898436984149]
  極端なデータレートの科学実験は、効率的なMLエッジ処理を必要とする大量のデータを生成する。 このような厳密なレイテンシ、リソース、パワー、および領域要件の下で、科学的なエッジで信頼できるアルゴリズムを開発し、検証するためのアプローチについて議論する。
  論文  参考訳（メタデータ） (2024-06-27T20:45:08Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• Grad DFT: a software library for machine learning enhanced density functional theory [0.0]
  密度汎関数理論(DFT)は、計算量子化学と材料科学の基盤となっている。 最近の研究は、機械学習がDFTの能力をいかに拡張できるかを探求し始めている。 我々は、完全に差別化可能なJAXベースのDFTライブラリであるGrad DFTを紹介し、高速なプロトタイピングと機械学習による交換相関エネルギー関数の実験を可能にする。
  論文  参考訳（メタデータ） (2023-09-23T00:25:06Z)
• 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)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• 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)
• Machine learning to tame divergent density functional approximations: a new path to consensus materials design principles [4.700621178941319]
  複数の家族と「群」にまたがる23の代表的DFAから、迅速に資産予測を得るアプローチを導入する。 DFA毎に独立したMLモデルをトレーニングし、特徴重要度における収束傾向を観察する。 ANNが予測するDFA特性のコンセンサスを求めることにより、これらの計算鉛化合物と文学的な化合物との対応性を改善する。
  論文  参考訳（メタデータ） (2021-06-24T15:43:57Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。