論文の概要: Learned Force Fields Are Ready For Ground State Catalyst Discovery
- arxiv url: http://arxiv.org/abs/2209.12466v1
- Date: Mon, 26 Sep 2022 07:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 18:40:20.387515
- Title: Learned Force Fields Are Ready For Ground State Catalyst Discovery
- Title(参考訳): 学習した力場は、基底状態の触媒発見の準備ができている
- Authors: Michael Schaarschmidt, Morgane Riviere, Alex M. Ganose, James S.
Spencer, Alexander L. Gaunt, James Kirkpatrick, Simon Axelrod, Peter W.
Battaglia, Jonathan Godwin
- Abstract要約: 学習密度汎関数理論(DFT'')力場が基底触媒発見の準備ができていることを示す。
鍵となる発見は、学習されたポテンシャルからの力による緩和は、評価されたシステムの50%以上においてRPBE関数を用いて緩和された構造と似た、または低いエネルギーを持つ構造をもたらすことである。
対象のDFTエネルギーと同じ最小値の局所調和エネルギー表面上で訓練された力場は、50%以上のケースで低又は類似のエネルギー構造を見出すことができることを示す。
- 参考スコア(独自算出の注目度): 60.41853574951094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present evidence that learned density functional theory (``DFT'') force
fields are ready for ground state catalyst discovery. Our key finding is that
relaxation using forces from a learned potential yields structures with similar
or lower energy to those relaxed using the RPBE functional in over 50\% of
evaluated systems, despite the fact that the predicted forces differ
significantly from the ground truth. This has the surprising implication that
learned potentials may be ready for replacing DFT in challenging catalytic
systems such as those found in the Open Catalyst 2020 dataset. Furthermore, we
show that a force field trained on a locally harmonic energy surface with the
same minima as a target DFT energy is also able to find lower or similar energy
structures in over 50\% of cases. This ``Easy Potential'' converges in fewer
steps than a standard model trained on true energies and forces, which further
accelerates calculations. Its success illustrates a key point: learned
potentials can locate energy minima even when the model has high force errors.
The main requirement for structure optimisation is simply that the learned
potential has the correct minima. Since learned potentials are fast and scale
linearly with system size, our results open the possibility of quickly finding
ground states for large systems.
- Abstract(参考訳): 密度汎関数理論(`dft'')の学習された力場は基底状態触媒の発見の準備ができていることを示す。
我々の重要な発見は、学習電位からの力による緩和は、予測された力が基底の真理と大きく異なるにもかかわらず、RPBE関数を50%以上の評価系で緩和した構造と類似または低エネルギーな構造をもたらすことである。
これは、Open Catalyst 2020データセットに見られるような、挑戦的な触媒システムにおいて、学習したポテンシャルがDFTを置き換える準備ができている、という驚くべき意味を持つ。
さらに,対象のdftエネルギーと同じ極小の局所高調波エネルギー面上で訓練された力場は,50/%以上のケースで低レベルあるいは類似したエネルギー構造を見つけることができることを示した。
この「簡単なポテンシャル」は、真のエネルギーと力で訓練された標準モデルよりも少ないステップで収束し、計算をさらに加速する。
学習されたポテンシャルは、モデルに高い力の誤差がある場合でも、エネルギーの最小値を見つけることができる。
構造最適化の主な要件は、学習するポテンシャルが正しい極小を持つことである。
学習されたポテンシャルはシステムサイズと線形に高速でスケールするため、我々の結果は大規模システムの基底状態が迅速に見つかる可能性を開く。
関連論文リスト
- Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。
両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。
MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
論文 参考訳(メタデータ) (2024-11-16T23:16:59Z) - Lightweight Geometric Deep Learning for Molecular Modelling in Catalyst Discovery [0.0]
Open Catalyst Projectは、グラフニューラルネットワーク(GNN)の進歩を適用して、触媒発見の進展を加速することを目的としている。
幾何学的および対称的なメッセージパッシングのようなロバストな設計パターンを実装することで、吸着と表面の相互作用の原子間力を予測するために、0.0748のMAEに達したGNNモデルを訓練することができた。
論文 参考訳(メタデータ) (2024-04-05T17:13:51Z) - Investigating the Behavior of Diffusion Models for Accelerating
Electronic Structure Calculations [24.116064925926914]
機械学習を用いた電子構造計算を著しく高速化する可能性による調査
モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。
構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
論文 参考訳(メタデータ) (2023-11-02T17:58:37Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳(メタデータ) (2023-10-10T14:57:04Z) - KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory [13.437597619451568]
KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。
初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
論文 参考訳(メタデータ) (2023-05-08T17:43:31Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-02-14T18:51:22Z) - PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated
Catalyst Design [102.9593507372373]
触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。
機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。
本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
論文 参考訳(メタデータ) (2022-11-22T05:24:30Z) - Towards Scaling Difference Target Propagation by Learning Backprop
Targets [64.90165892557776]
Different Target Propagationは,Gauss-Newton(GN)最適化と密接な関係を持つ生物学的に証明可能な学習アルゴリズムである。
本稿では、DTPがBPを近似し、階層的なフィードバックウェイトトレーニングを復元できる新しいフィードバックウェイトトレーニング手法を提案する。
CIFAR-10 と ImageNet 上で DTP が達成した最高の性能について報告する。
論文 参考訳(メタデータ) (2022-01-31T18:20:43Z) - Graph Neural Network for Metal Organic Framework Potential Energy
Approximation [0.4588028371034407]
金属-有機フレームワーク(英: Metal-organic framework、MOF)は、金属イオンと有機リンカーからなるナノ多孔質化合物である。
グラフニューラルネットワークを用いて候補MOFのポテンシャルエネルギーを推定する機械学習手法を提案する。
DFTを用いて、5万の空間構成と高品質なポテンシャルエネルギー値のデータベースを生成する。
論文 参考訳(メタデータ) (2020-10-29T19:47:44Z)
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。