論文の概要: Accelerating nanomaterials discovery with artificial intelligence at the HPC centers

• arxiv url: http://arxiv.org/abs/2208.07612v1
• Date: Tue, 16 Aug 2022 09:02:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-17 12:53:05.522129
• Title: Accelerating nanomaterials discovery with artificial intelligence at the HPC centers
• Title（参考訳）: HPCセンターにおける人工知能によるナノマテリアル発見の加速
• Authors: \c{S}ener \"Oz\"onder and H. K\"ubra K\"u\c{c}\"ukkartal
• Abstract要約: 化学物質、医薬品、生体材料、合金の性質の研究には、何十年もの専門的な研究が必要である。 新たな人工知能と最適化手法は、この研究手順を逆転するために使用することができる。 ドープグラフェン量子ドットパラメータ空間上のスマートサーチの例を示す。
• 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: Study of properties of chemicals, drugs, biomaterials and alloys requires decades of dedicated work. Often times the outcome, however, is not what is expected for practical applications. This research procedure can be inverted by the new artificial intelligence and optimization methods. Instead of studying the properties of a material and its structurally close derivatives, the chemical and structural parameter space that contains all possible derivatives of that material can be scanned in a fast and smart way at the HPC centers. As a result of this, the particular material that has the specific physical or chemical properties can be found. Here we show how Bayesian optimization, Gaussian regression and artificial neural networks can be used towards this goal. We present an example smart search on the doped graphene quantum dot parameter space.
• Abstract（参考訳）: 化学物質、薬物、生体材料、合金の特性の研究には何十年もの専門的な研究が必要である。 しかし、多くの場合、結果は現実的な応用に期待されるものではない。 この研究手順は、新しい人工知能と最適化手法によって逆転することができる。 物質の性質と構造的に近接した誘導体を研究する代わりに、その物質のすべての可能な誘導体を含む化学および構造パラメータ空間は、HPC中心で高速かつスマートな方法でスキャンすることができる。 この結果、特定の物理的または化学的性質を持つ特定の物質が見つかる。 ここでは、ベイジアン最適化、ガウス回帰、人工ニューラルネットワークをこの目的のためにどのように利用できるかを示す。 我々は、ドープされたグラフェン量子ドットパラメータ空間上のスマート検索の例を示す。

関連論文リスト

• On the practical applicability of modern DFT functionals for chemical computations. Case study of DM21 applicability for geometry optimization [55.88862563823878]
  本研究は,分子量予測におけるDM21関数の効率評価に焦点をあてる。 幾何最適化問題におけるDM21関数に対するPySCFの幾何最適化を実装した。 本研究は,DFTにおける幾何最適化におけるニューラルネットワーク機能の可能性と現状の課題を明らかにするものである。
  論文  参考訳（メタデータ） (2025-01-21T14:01:06Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• Efficient SGD Neural Network Training via Sublinear Activated Neuron Identification [22.361338848134025]
  本稿では,ReLUの活性化をシフトする2層ニューラルネットワークについて,幾何学的探索によるサブ線形時間における活性化ニューロンの同定を可能にする。 また、我々のアルゴリズムは、係数ノルム上界$M$とエラー項$epsilon$の2次ネットワークサイズで$O(M2/epsilon2)$時間に収束できることを示す。
  論文  参考訳（メタデータ） (2023-07-13T05:33:44Z)
• 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)
• HOAX: A Hyperparameter Optimization Algorithm Explorer for Neural Networks [0.0]
  光誘起過程を研究するための軌道に基づく手法のボトルネックは、今でも膨大な数の電子構造計算である。 本稿では,人工知能の領域から借用した機械学習アルゴリズムと手法を用いることにより,電子構造計算の量を劇的に削減する革新的なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-02-01T11:12:35Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Modelling and optimization of nanovector synthesis for applications in drug delivery systems [0.0]
  レビューでは、薬物デリバリーシステムにおけるナノ粒子合成のための人工知能とメタヒューリスティックアルゴリズムの使用に焦点を当てている。 ニューラルネットワークは線形回帰アルゴリズムや応答面法よりもNVs特性のモデル化が優れている。 メタヒューリスティックアルゴリズムでは、ベンチマーク関数はカッコウ探索、ホタルアルゴリズム、遺伝的アルゴリズム、共生生物探索に最適化された。
  論文  参考訳（メタデータ） (2021-11-10T20:52:27Z)
• Deep-Learning Density Functional Theory Hamiltonian for Efficient ab initio Electronic-Structure Calculation [13.271547916205675]
  結晶材料のDFTハミルトニアン(ディープH)を表現するためのディープニューラルネットワーク手法を開発した。 この方法はDFTの精度効率ジレンマに対する解決策を提供し、大規模材料システムを探究する機会を開放する。
  論文  参考訳（メタデータ） (2021-04-08T14:08:10Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。