論文の概要: Biological Evolution and Genetic Algorithms: Exploring the Space of
Abstract Tile Self-Assembly
- arxiv url: http://arxiv.org/abs/2205.15311v1
- Date: Sat, 28 May 2022 22:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 15:20:23.348973
- Title: Biological Evolution and Genetic Algorithms: Exploring the Space of
Abstract Tile Self-Assembly
- Title(参考訳): 生物進化と遺伝的アルゴリズム:抽象タイル自己組織化の空間を探索する
- Authors: Christian Schroeder de Witt
- Abstract要約: タイルベースの自己組立モデルの最先端実装に関する性能向上を観察する。
発見された最も大きな構造のモジュラリティは、一階に$S_2,8$が$S_3,8$の構成要素を形成するという仮定を動機付けている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A physically-motivated genetic algorithm (GA) and full enumeration for a
tile-based model of self-assembly (JaTAM) is implemented using a graphics
processing unit (GPU). We observe performance gains with respect to
state-of-the-art implementations on CPU of factor 7.7 for the GA and 2.9 for
JaTAM. The correctness of our GA implementation is demonstrated using a
test-bed fitness function, and our JaTAM implementation is verified by
classifying a well-known search space $S_{2,8}$ based on two tile types. The
performance gains achieved allow for the classification of a larger search
space $S^{32}_{3,8}$ based on three tile types. The prevalence of structures
based on two tile types demonstrates that simple organisms emerge preferrably
even in complex ecosystems. The modularity of the largest structures found
motivates the assumption that to first order, $S_{2,8}$ forms the building
blocks of $S_{3,8}$. We conclude that GPUs may play an important role in future
studies of evolutionary dynamics.
- Abstract(参考訳): グラフィック処理ユニット(GPU)を用いて、物理的に動機付けられた遺伝的アルゴリズム(GA)と自己集合のタイルモデル(JaTAM)の完全列挙を実現する。
GAは7.7、JaTAMは2.9のCPU上での最先端実装のパフォーマンス向上を観察する。
テストベッド適合度関数を用いてGA実装の正しさを実証し,2つのタイルタイプに基づいてよく知られた検索空間を$S_{2,8}$に分類することで,JaTAM実装を検証する。
性能向上により、3つのタイルタイプに基づいてより大きな検索空間 $s^{32}_{3,8}$ の分類が可能になった。
2つのタイル型に基づく構造は、複雑な生態系においても単純な生物が好まれることを示している。
発見された最大の構造のモジュラリティは、最初の順序で$s_{2,8}$が$s_{3,8}$のビルディングブロックを形成するという仮定を動機付ける。
進化力学の今後の研究において,GPUが重要な役割を果たす可能性がある。
関連論文リスト
- AtomSurf : Surface Representation for Learning on Protein Structures [35.31161188889234]
我々は3D$に埋め込まれた$textit surfacesとしてタンパク質を表現し、確立されたベンチマークの中でこの表現を評価する。
最初の発見は、有望な結果にもかかわらず、最先端のサーフェスベースの学習アプローチだけでは、このベンチマーク上の他のモダリティと競合しないということです。
グラフと表面ベースのアプローチを単一の学習可能なアーキテクチャに組み込んだ,新たなシナジスティックアプローチを導入する。
論文 参考訳(メタデータ) (2023-09-28T15:25:17Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳(メタデータ) (2023-04-23T17:27:40Z) - GRIL: A $2$-parameter Persistence Based Vectorization for Machine
Learning [0.49703640686206074]
本稿では,パラメータ持続モジュールに対してGRIL(Generalized Rank Invariant Landscape)と呼ばれる新しいベクトル表現を導入する。
このベクトル表現は1$-Lipschitz 安定であり、下層の濾過関数に対して微分可能であることを示す。
また、GRILがグラフニューラルネットワーク(GNN)に富む追加機能をキャプチャできることを示す性能の向上も観察している。
論文 参考訳(メタデータ) (2023-04-11T04:30:58Z) - Geometric Graph Learning with Extended Atom-Types Features for
Protein-Ligand Binding Affinity Prediction [0.17132914341329847]
我々は、SYBYLのような広範囲な原子タイプを統合することにより、タンパク質-リガンド相互作用の研究のためにグラフベースの学習者をアップグレードする。
我々のアプローチでは、$textsybyltextGGL$-Scoreと$texteciftextGGL$-Scoreの2つの異なるメソッドが生成される。
SYBYL atom-type model $textsybyltextGGL$-Score はすべてのベンチマークで他の手法よりも優れています。
論文 参考訳(メタデータ) (2023-01-15T21:30:21Z) - I^3Net: Implicit Instance-Invariant Network for Adapting One-Stage
Object Detectors [64.93963042395976]
暗黙のInstance-Invariant Network(I3Net)は、ワンステージ検出器の適応に適しています。
i3netは、異なる層における深い特徴の自然な特徴を利用してインスタンス不変な特徴を暗黙的に学習する。
実験によると、I3Netはベンチマークデータセットの最先端のパフォーマンスを上回っている。
論文 参考訳(メタデータ) (2021-03-25T11:14:36Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-03-04T15:34:43Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z) - Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。
また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。
我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
論文 参考訳(メタデータ) (2020-07-19T15:26:50Z) - Fine-Grained Stochastic Architecture Search [6.277767522867666]
Fine-Grained Architecture Search (FiGS) は、より大きな候補アーキテクチャの集合を探索する微分可能な検索手法である。
FiGSは、構造化スパース正規化ペナルティを適用して、検索空間内の演算子を同時に選択・変更する。
既存の3つの検索空間にまたがって結果を示し、元の検索アルゴリズムのマッチングや性能を向上する。
論文 参考訳(メタデータ) (2020-06-17T01:04:14Z)
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。