論文の概要: Cluster Generation via Deep Energy-Based Model

• arxiv url: http://arxiv.org/abs/2206.09002v1
• Date: Fri, 17 Jun 2022 20:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-26 20:00:46.324967
• Title: Cluster Generation via Deep Energy-Based Model
• Title（参考訳）: 深層エネルギーモデルによるクラスター生成
• Authors: A. Yu. Artsukevich, S. V. Lepeshkin
• Abstract要約: 深層学習を用いたナノクラスターの安定構造生成のための新しい手法を提案する。 提案手法は,最も安定な構造に対応する局所ミニマで人工的なポテンシャルエネルギー表面を構築することから構成される。 この方法では、ポテンシャル表面を、トレーニングで使われたよりも多くの原子を持つ構造物のケースに外挿することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a new approach for the generation of stable structures of nanoclusters using deep learning methods. Our method consists in constructing an artificial potential energy surface, with local minima corresponding to the most stable structures and which is much smoother than "real" potential in the intermediate regions of the configuration space. To build the surface, graph convolutional networks are used. The method can extrapolates the potential surface to cases of structures with larger number of atoms than was used in training. Thus, having a sufficient number of low-energy structures in the training set, the method allows to generate new candidates for the ground-state structures, including ones with larger number of atoms. We applied the approach to silica clusters $(SiO_2)_n$ and for the first time found the stable structures with n=28...51. The method is universal and does not depend on the atomic composition and number of atoms.
• Abstract（参考訳）: 深層学習を用いたナノクラスターの安定構造生成のための新しい手法を提案する。 本手法は,最も安定な構造に対応し,構成空間の中間領域の「実」ポテンシャルよりもずっと滑らかな局所的極小を持つ人工的ポテンシャルエネルギー面を構築することで構成する。 表面を構築するために、グラフ畳み込みネットワークが使用される。 この方法は、訓練で使用されたものよりも多くの原子を持つ構造物の電位面を外挿することができる。 したがって、トレーニングセットに十分な数の低エネルギー構造を持つことで、より多くの原子を含む基底状態構造に対する新しい候補を生成することができる。 このアプローチをシリカクラスター$(sio_2)_n$に適用し,n=28の安定構造を初めて発見した。 .51. この方法は普遍的であり、原子組成や原子数に依存しない。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Unleashing the power of novel conditional generative approaches for new materials discovery [3.972733741872872]
  結晶構造設計問題に対する2つの生成的アプローチを提案する。 1つは条件付き構造変化であり、最もエネルギー的に好ましい構造と全てのより安定なポリモルフィックの間のエネルギー差を利用する。 もう1つは条件付き構造の生成であり、最もエネルギー的に好ましい構造と、その全てのより安定したポリモルフィックの間のエネルギー差を利用する。
  論文  参考訳（メタデータ） (2024-11-05T14:58:31Z)
• Generative Hierarchical Materials Search [91.93125016916463]
  結晶構造の制御可能な生成のための生成階層材料探索(GenMS)を提案する。 GenMSは(1)高レベル自然言語を入力とし、結晶に関する中間テキスト情報を生成する言語モデルからなる。 GenMSはまた、生成された結晶構造から特性(たとえば生成エネルギー)を予測するためにグラフニューラルネットワークを使用する。
  論文  参考訳（メタデータ） (2024-09-10T17:51:28Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• Cartesian atomic cluster expansion for machine learning interatomic potentials [0.0]
  機械学習の原子間ポテンシャルは、物質科学と化学における原子モデルに革命をもたらしている。 本稿では, 高い精度, 安定性, 一般化性を示す, カルテシアン配位子に基づく原子密度展開を提案する。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。
  論文  参考訳（メタデータ） (2024-02-12T08:17:23Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• Efficient Approximations of Complete Interatomic Potentials for Crystal Property Prediction [63.4049850776926]
  結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。 現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。 距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-06-12T07:19:01Z)
• Atomistic structure search using local surrogate mode [0.0]
  本稿では,グローバルな構造探索手法と組み合わせた局所代理モデルについて述べる。 このモデルはAtomistic Global Optimization Xフレームワークで実装されている。 分子、ナノ粒子、表面支持クラスター、表面薄膜を含む幅広い原子系に対して堅牢であることが示されている。
  論文  参考訳（メタデータ） (2022-08-19T11:40:05Z)
• Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
  本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。 我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
  論文  参考訳（メタデータ） (2022-07-27T00:42:59Z)
• Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
  本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。 基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
  論文  参考訳（メタデータ） (2020-10-16T16:27:47Z)

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。