論文の概要: Automated analysis of continuum fields from atomistic simulations using
statistical machine learning
- arxiv url: http://arxiv.org/abs/2206.08048v1
- Date: Thu, 16 Jun 2022 10:05:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-17 16:23:25.884273
- Title: Automated analysis of continuum fields from atomistic simulations using
statistical machine learning
- Title（参考訳）: 統計機械学習を用いた原子シミュレーションによる連続体場の自動解析
- Authors: Aruna Prakash and Stefan Sandfeld
- Abstract要約: 我々は統計データマイニングと機械学習アルゴリズムを用いて、原子論シミュレーションにおける連続体変数の分析を自動化する手法を開発した。
本研究は, 総ひずみ, 弾性ひずみ, マイクロローテーションの3つの重要な場変数に着目した。
総ひずみ分布のピークをガウス混合モデルで同定し、オーバーフィッティング問題を回避する方法を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Atomistic simulations of the molecular dynamics/statics kind are regularly
used to study small scale plasticity. Contemporary simulations are performed
with tens to hundreds of millions of atoms, with snapshots of these
configurations written out at regular intervals for further analysis. Continuum
scale constitutive models for material behavior can benefit from information on
the atomic scale, in particular in terms of the deformation mechanisms, the
accommodation of the total strain and partitioning of stress and strain fields
in individual grains. In this work we develop a methodology using statistical
data mining and machine learning algorithms to automate the analysis of
continuum field variables in atomistic simulations. We focus on three important
field variables: total strain, elastic strain and microrotation. Our results
show that the elastic strain in individual grains exhibits a unimodal
log-normal distribution, whilst the total strain and microrotation fields
evidence a multimodal distribution. The peaks in the distribution of total
strain are identified with a Gaussian mixture model and methods to circumvent
overfitting problems are presented. Subsequently, we evaluate the identified
peaks in terms of deformation mechanisms in a grain, which e.g., helps to
quantify the strain for which individual deformation mechanisms are
responsible. The overall statistics of the distributions over all grains are an
important input for higher scale models, which ultimately also helps to be able
to quantitatively discuss the implications for information transfer to
phenomenological models.
- Abstract（参考訳）: 分子動力学/静力学の原子論シミュレーションは、小型の塑性の研究に定期的に用いられている。
現代のシミュレーションは数千から数億の原子で行われ、これらの配置のスナップショットは定期的に書き出され、さらなる分析が行われる。
物質挙動の連続体スケール構成モデルは、原子スケールの情報、特に変形機構、総ひずみの調節および個々の粒内の応力およびひずみ場の分割から恩恵を受けることができる。
本研究では,統計データマイニングと機械学習アルゴリズムを用いて,原子シミュレーションにおける連続体場変数の解析を自動化する手法を開発した。
我々は,全ひずみ,弾性ひずみ,ミクロ回転の3つの重要な場変数に着目した。
その結果,各粒の弾性ひずみは一様対数正規分布を示し,全ひずみと微小回転場は多様分布を示すことがわかった。
総ひずみ分布のピークをガウス混合モデルで同定し, オーバーフィッティング問題を回避する手法を提案する。
次に, 粒内における変形機構の観点から同定されたピークを評価し, 個々の変形機構が関与するひずみの定量化に寄与する。
すべての粒子上の分布の全体統計は、より高いスケールモデルにとって重要な入力であり、最終的に現象学的モデルへの情報伝達の意義を定量的に議論するのに役立つ。
関連論文リスト
- Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。
本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
論文 参考訳（メタデータ） (2024-09-03T09:14:21Z) - Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - Data-Error Scaling in Machine Learning on Natural Discrete Combinatorial Mutation-prone Sets: Case Studies on Peptides and Small Molecules [0.0]
本研究では機械学習(ML)モデルにおけるデータエラースケーリングの傾向について検討する。
典型的なデータエラースケーリングとは対照的に,学習中に不連続な単調相転移がみられた。
学習曲線を正規化するための代替戦略とミュータントに基づくシャッフルの概念を提案する。
論文 参考訳（メタデータ） (2024-05-08T16:04:50Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Navigating protein landscapes with a machine-learned transferable
coarse-grained model [29.252004942896875]
同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。
ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。
本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
論文 参考訳（メタデータ） (2023-10-27T17:10:23Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳（メタデータ） (2022-11-07T15:47:40Z) - Variational embedding of protein folding simulations using gaussian
mixture variational autoencoders [0.0]
生体分子配座の次元的低減とクラスタリングを同時に行う機械学習手法を考案する。
GMVAEはタンパク質の折りたたみによる自由エネルギー景観の少ない表現を学習できることを示す。
また, GMVAEの埋め込みは, 折り畳み状態と, 折り畳み状態と, 折り畳み状態との相似性を示した。
論文 参考訳（メタデータ） (2021-08-27T20:31:08Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。