論文の概要: Realization of the Trajectory Propagation in the MM-SQC Dynamics by
Using Machine Learning
- arxiv url: http://arxiv.org/abs/2207.05556v1
- Date: Mon, 11 Jul 2022 01:23:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-05 12:06:15.948538
- Title: Realization of the Trajectory Propagation in the MM-SQC Dynamics by
Using Machine Learning
- Title(参考訳): 機械学習を用いたMM-SQCダイナミクスにおける軌道伝搬の実現
- Authors: Kunni Lin, Jiawei Peng, Chao Xu, Feng Long Gu and Zhenggang Lan
- Abstract要約: 本研究では,教師付き機械学習(ML)アプローチを適用し,軌道に基づく非線形力学を実現する。
提案したアイデアは、いくつかのサイト・エクシトン電子-フォノンカップリングモデルの力学シミュレーションにおいて信頼性と正確性があることが証明されている。
- 参考スコア(独自算出の注目度): 4.629634111796585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The supervised machine learning (ML) approach is applied to realize the
trajectory-based nonadiabatic dynamics within the framework of the symmetrical
quasi-classical dynamics method based on the Meyer-Miller mapping Hamiltonian
(MM-SQC). After the construction of the long short-term memory recurrent neural
network (LSTM-RNN) model, it is used to perform the entire trajectory
evolutions from initial sampling conditions. The proposed idea is proven to be
reliable and accurate in the simulations of the dynamics of several
site-exciton electron-phonon coupling models, which cover two-site and
three-site systems with biased and unbiased energy levels, as well as include a
few or many phonon modes. The LSTM-RNN approach also shows the powerful ability
to obtain the accurate and stable results for the long-time evolutions. It
indicates that the LSTM-RNN model perfectly captures of dynamical correction
information in the trajectory evolution in the MM-SQC dynamics. Our work
provides the possibility to employ the ML methods in the simulation of the
trajectory-based nonadiabatic dynamic of complex systems with a large number of
degrees of freedoms.
- Abstract(参考訳): メイヤー・ミラー写像ハミルトニアン (MM-SQC) に基づく対称準古典力学法の枠組みにおいて, 軌道に基づく非線形力学を実現するために, 教師付き機械学習 (ML) アプローチを適用した。
長い短期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルの構築後、最初のサンプリング条件から軌道の進化全体を実行するために使用される。
提案手法は,複数の電子-フォノンカップリング模型の動力学シミュレーションにおいて,偏りや偏りのないエネルギー準位を持つ2点および3点系を対象とし,数点以上のフォノンモードを含むように,信頼性と正確性が証明された。
LSTM-RNNアプローチはまた、長期進化の正確かつ安定した結果を得る強力な能力を示している。
LSTM-RNNモデルは, MM-SQC力学における軌道進化における動的補正情報を完璧に捉えていることを示す。
我々の研究は、多くの自由度を持つ複素系の軌道に基づく非線形力学のシミュレーションにML法を用いる可能性を提供する。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - 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) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - A comparative study of different machine learning methods for
dissipative quantum dynamics [0.0]
教師付き機械学習アルゴリズムは、散逸性量子系の長期集団動態を精度よく効率的に予測できることを示す。
調和浴に線形に結合した2レベル量子系の長期ダイナミクスを予測する能力について,22のMLモデルをベンチメイドした。
論文 参考訳(メタデータ) (2022-07-06T03:37:24Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Automatic Evolution of Machine-Learning based Quantum Dynamics with
Uncertainty Analysis [4.629634111796585]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。
この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
論文 参考訳(メタデータ) (2022-05-07T08:53:55Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Learning Stochastic Dynamics with Statistics-Informed Neural Network [0.4297070083645049]
データからダイナミクスを学習するための、統計情報ニューラルネットワーク(SINN)という機械学習フレームワークを導入する。
本研究では,ニューラルネットワークモデルの学習機構を考案し,対象プロセスの正しい統計的挙動を再現する。
得られた低次モデルが時間的に粗い粒度データに基づいて訓練可能であることを示す。
論文 参考訳(メタデータ) (2022-02-24T18:21:01Z) - Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks [0.0]
機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。
サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
論文 参考訳(メタデータ) (2022-01-02T23:00:30Z) - A Note on Learning Rare Events in Molecular Dynamics using LSTM and
Transformer [4.80427355202687]
近年,低次元反応座標のシミュレーションデータを用いてLSTMによるスローダイナミクスの学習に成功した。
本稿では, 言語モデル学習の性能, すなわち反応座標の次元性, 時間分解能, 状態分割の3つの重要な要因について述べる。
論文 参考訳(メタデータ) (2021-07-14T09:26:36Z)
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。