Fugu-MT 論文翻訳(概要): Sampling-free Inference for Ab-Initio Potential Energy Surface Networks

論文の概要: Sampling-free Inference for Ab-Initio Potential Energy Surface Networks

arxiv url: http://arxiv.org/abs/2205.14962v1
Date: Mon, 30 May 2022 10:00:59 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 02:42:58.102551
Title: Sampling-free Inference for Ab-Initio Potential Energy Surface Networks
Title（参考訳）: ab-initio型エネルギー表面ネットワークのサンプリングフリー推定
Authors: Nicholas Gao, Stephan G\"unnemann
Abstract要約: 多くの測地に対してシュリンガー方程式を同時に解くことにより、トレーニング時間を短縮するために、ポテンシャルエネルギー表面ネットワーク(PESNet)が提案されている。本稿では,モンテカルロの高コスト統合を回避するために,Ab-initio Networks (PlaNet) フレームワークから潜在的学習を同時にトレーニングすることで,推論の欠点に対処する。このようにして、これまでニューラルウェーブ関数で観測できなかったような高分解能多次元エネルギー曲面を正確にモデル化することができる。
参考スコア（独自算出の注目度）: 2.088583843514496
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Obtaining the energy of molecular systems typically requires solving the associated Schr\"odinger equation. Unfortunately, analytical solutions only exist for single-electron systems, and accurate approximate solutions are expensive. In recent work, the potential energy surface network (PESNet) has been proposed to reduce training time by solving the Schr\"odinger equation for many geometries simultaneously. While training significantly faster, inference still required numerical integration limiting the evaluation to a few geometries. Here, we address the inference shortcomings by proposing the Potential learning from ab-initio Networks (PlaNet) framework to simultaneously train a surrogate model that avoids expensive Monte-Carlo integration and, thus, reduces inference time from minutes or even hours to milliseconds. In this way, we can accurately model high-resolution multi-dimensional energy surfaces that previously would have been unobtainable via neural wave functions. Finally, we present PESNet++, an architectural improvement to PESNet, that reduces errors by up to 39% and provides new state-of-the-art results for neural wave functions across all systems evaluated.
Abstract（参考訳）: 分子系のエネルギーを得るには、典型的には関連するシュリンガー方程式を解く必要がある。残念ながら、解析解は単一電子系にのみ存在し、正確な近似解は高価である。近年の研究では、多くのジオメトリに対してシュリンガー方程式を同時に解くことでトレーニング時間を短縮するために、ポテンシャルエネルギー表面ネットワーク(PESNet)が提案されている。トレーニングは大幅に速くなったが、推論には数ジオメトリに限定した数値積分が必要だった。本稿では,ab-initio networks (planet) フレームワークからの潜在的な学習を提案し,高価なモンテカルロ統合を回避するサロゲートモデルを同時に学習することにより,推論時間を数分から数時間からミリ秒に短縮する。このようにして、従来ニューラルウェーブ関数によって観測できなかった高分解能多次元エネルギー表面を正確にモデル化することができる。最後に、PESNetのアーキテクチャ改善であるPESNet++を紹介し、エラーを最大39%削減し、評価されたすべてのシステムにおけるニューラルウェーブ関数の最新の結果を提供する。

関連論文リスト

DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Solving partial differential equations with sampled neural networks [1.8590821261905535]
偏微分方程式(PDE)に対する解の近似は計算科学や工学において重要な問題である。データに依存しない確率分布から、アンザッツネットワークの隠れた重みとバイアスをサンプリングすることで、両課題を進展させる方法について論じる。
論文参考訳（メタデータ） (2024-05-31T14:24:39Z)
Good Lattice Training: Physics-Informed Neural Networks Accelerated by Number Theory [7.462336024223669]
本稿では,PINNのためのGLT(Good lattice Training)と呼ばれる新しい手法を提案する。 GLT は、少数の点や多次元空間に対しても有効であるコロケーション点の集合を提供する。実験の結果、GLTはランダムサンプリングやラテンハイパーキューブサンプリングよりも2～20倍少ないコロケーションポイントを必要とすることがわかった。
論文参考訳（メタデータ） (2023-07-26T00:01:21Z)
NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文参考訳（メタデータ） (2023-02-20T19:36:52Z)
LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
論文参考訳（メタデータ） (2022-06-19T14:41:08Z)
Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions [2.61072980439312]
本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
論文参考訳（メタデータ） (2021-10-11T07:58:31Z)
PhyCRNet: Physics-informed Convolutional-Recurrent Network for Solving Spatiotemporal PDEs [8.220908558735884]
偏微分方程式 (Partial differential equation, PDE) は、幅広い分野の問題をモデル化し、シミュレーションする上で基礎的な役割を果たす。近年のディープラーニングの進歩は、データ駆動逆解析の基盤としてPDEを解くために物理学インフォームドニューラルネットワーク(NN)の大きな可能性を示している。本稿では,PDEをラベル付きデータなしで解くための物理インフォームド・畳み込み学習アーキテクチャ(PhyCRNetとPhCRyNet-s)を提案する。
論文参考訳（メタデータ） (2021-06-26T22:22:19Z)
dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文参考訳（メタデータ） (2021-03-15T19:14:41Z)
AutoInt: Automatic Integration for Fast Neural Volume Rendering [51.46232518888791]
暗黙的ニューラル表現ネットワークを用いて、積分に対する効率的でクローズドな解を学習するための新しいフレームワークを提案する。我々は,高速なニューラルボリュームレンダリングを実現するために,フォトリアリスティックな要件を10倍以上に改善したことを示す。
論文参考訳（メタデータ） (2020-12-03T05:46:10Z)
Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文参考訳（メタデータ） (2020-09-08T13:26:51Z)
EikoNet: Solving the Eikonal equation with Deep Neural Networks [6.735657356113614]
我々はEikoNetを提案する。EikoNetはEikonal方程式を解くための深層学習手法である。我々のグリッドフリーアプローチは、連続した3次元領域内の任意の2点間の移動時間を迅速に決定できる。この手法は, 地震震源インバージョン, レイ・マルチパス, トモグラフィー・モデリングに重要な応用がある。
論文参考訳（メタデータ） (2020-03-25T02:31:53Z)

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。