Fugu-MT 論文翻訳(概要): Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel

論文の概要: Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel

arxiv url: http://arxiv.org/abs/2208.07612v2
Date: Sat, 3 Aug 2024 20:39:34 GMT
ステータス: 処理完了
システム内更新日: 2024-08-07 00:54:45.391826
Title: Rapid Discovery of Graphene Nanocrystals Using DFT and Bayesian Optimization with Neural Network Kernel
Title（参考訳）: ニューラルネットワークカーネルを用いたDFTとベイズ最適化によるグラフェンナノ結晶の迅速発見
Authors: Şener Özönder, H. Kübra Küçükkartal,
Abstract要約: 材料発見においては、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間をスクリーニングする必要があることが多い。本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。
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: Density functional theory (DFT) is a powerful computational method used to obtain physical and chemical properties of materials. In the materials discovery framework, it is often necessary to virtually screen a large and high-dimensional chemical space to find materials with desired properties. However, grid searching a large chemical space with DFT is inefficient due to its high computational cost. We propose an approach utilizing Bayesian optimization (BO) with an artificial neural network kernel to enable smart search. This method leverages the BO algorithm, where the neural network, trained on a limited number of DFT results, determines the most promising regions of the chemical space to explore in subsequent iterations. This approach aims to discover materials with target properties while minimizing the number of DFT calculations required. To demonstrate the effectiveness of this method, we investigated 63 doped graphene quantum dots (GQDs) with sizes ranging from 1 to 2 nm to find the structure with the highest light absorbance. Using time-dependent DFT (TDDFT) only 12 times, we achieved a significant reduction in computational cost, approximately 20% of what would be required for a full grid search, by employing the BO algorithm with a neural network kernel. Considering that TDDFT calculations for a single GQD require about half a day of wall time on high-performance computing nodes, this reduction is substantial. Our approach can be generalized to the discovery of new drugs, chemicals, crystals, and alloys with high-dimensional and large chemical spaces, offering a scalable solution for various applications in materials science.
Abstract（参考訳）: 密度汎関数理論 (DFT) は、材料の物理的および化学的性質を得るために用いられる強力な計算法である。材料発見フレームワークでは、望まれる性質を持つ材料を見つけるために、大規模で高次元の化学空間を仮想的にスクリーニングする必要があることが多い。しかし、DFTで大きな化学空間を探索するグリッドは計算コストが高いため非効率である。本稿では,ベイズ最適化(BO)とニューラルネットワークカーネルを併用して,スマート検索を実現する手法を提案する。この方法は、限られた数のDFT結果に基づいてトレーニングされたニューラルネットワークが、化学空間の最も有望な領域を次の反復で探索するBOアルゴリズムを利用する。提案手法は, DFT計算の最小化を図り, 対象特性を持つ材料を発見することを目的としている。本手法の有効性を実証するため, 63個のグラフェン量子ドット(GQD)を1nmから2nmまでの大きさで検討し, 光吸収率の高い構造を見いだした。時間依存型DFT(TDDFT)をわずか12回しか使わず、ニューラルネットワークカーネルを用いたBOアルゴリズムを用いることで、完全なグリッド検索に必要な約20%の計算コストを大幅に削減した。 1つのGQDに対するTDDFT計算は、高性能な計算ノードで約半日間のウォールタイムを必要とするため、この削減は極めて重要である。我々のアプローチは、高次元で大きな化学空間を持つ新薬、化学物質、結晶、および合金の発見に一般化することができ、材料科学の様々な応用にスケーラブルなソリューションを提供する。

関連論文リスト

Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文参考訳（メタデータ） (2023-09-01T16:59:21Z)
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)
Solving High-Dimensional PDEs with Latent Spectral Models [74.1011309005488]
我々は,高次元PDEの効率的かつ高精度な解法に向けて,Latent Spectral Models (LSM) を提案する。数値解析において古典スペクトル法に着想を得て,潜時空間におけるPDEを解くために,ニューラルスペクトルブロックを設計する。 LSMは、一貫した最先端を実現し、7つのベンチマークで平均11.5%の相対的な利益を得る。
論文参考訳（メタデータ） (2023-01-30T04:58:40Z)
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。