論文の概要: Tensor-reduced atomic density representations

• arxiv url: http://arxiv.org/abs/2210.01705v1
• Date: Sun, 2 Oct 2022 01:08:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:52:32.617065
• Title: Tensor-reduced atomic density representations
• Title（参考訳）: テンソル還元原子密度表現
• Authors: James P. Darby, D\'avid P. Kov\'acs, Ilyes Batatia, Miguel A. Caro, Gus L. W. Hart, Christoph Ortner and G\'abor Cs\'anyi
• Abstract要約: グラフニューラルネットワークは、化学元素情報を学習可能な方法で固定次元空間にマッピングすることで、スケーリングから逃れる。 我々は、標準近傍密度に基づく記述子のテンソル構造を利用して、このアプローチをテンソル分解として再考する。 そのため、化学元素の数に依存しないコンパクトなテンソル還元表現を形成する。
• 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 based representations of atomic environments that are invariant under Euclidean symmetries have become a widely used tool in the machine learning of interatomic potentials, broader data-driven atomistic modelling and the visualisation and analysis of materials datasets.The standard mechanism used to incorporate chemical element information is to create separate densities for each element and form tensor products between them. This leads to a steep scaling in the size of the representation as the number of elements increases. Graph neural networks, which do not explicitly use density representations, escape this scaling by mapping the chemical element information into a fixed dimensional space in a learnable way. We recast this approach as tensor factorisation by exploiting the tensor structure of standard neighbour density based descriptors. In doing so, we form compact tensor-reduced representations whose size does not depend on the number of chemical elements, but remain systematically convergeable and are therefore applicable to a wide range of data analysis and regression tasks.
• Abstract（参考訳）: ユークリッド対称性の下で不変な原子環境の密度に基づく表現は、原子間ポテンシャルの機械学習、より広いデータ駆動型原子論的モデリング、材料データセットの可視化と分析において広く用いられるツールとなっている。 これにより、要素の数が増加するにつれて、表現のサイズが急拡大する。 密度表現を明示的に使用しないグラフニューラルネットワークは、化学元素情報を学習可能な方法で一定の次元空間にマッピングすることで、このスケーリングを回避している。 我々は、この手法をテンソル分解として、標準近傍密度に基づく記述子のテンソル構造を利用する。 その際、サイズが化学元素の数に依存しないコンパクトテンソル還元表現を形成するが、体系的に収束可能であり、従って幅広いデータ分析や回帰タスクに適用できる。

関連論文リスト

• Similarity Equivariant Graph Neural Networks for Homogenization of Metamaterials [3.6443770850509423]
  ソフトで多孔質なメカニカルメタマテリアルは、ソフトロボティクス、音の低減、バイオメディシンに重要な応用をもたらすパターン変換を示す。 我々は、代理モデルとして機能するために好意的にスケールする機械学習ベースのアプローチを開発する。 このネットワークは、対称性の少ないグラフニューラルネットワークよりも正確で、データ効率が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-26T12:30:32Z)
• 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)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Towards Symmetry-Aware Generation of Periodic Materials [64.21777911715267]
  本稿では,周期構造体の物理対称性を捉える新しい物質生成手法であるSyMatを提案する。 SyMatは、変分オートエンコーダモデルを用いて、原子タイプセット、格子長、格子角を生成することによって、材料の原子タイプと格子を生成する。 我々は,SyMatが材料上のすべての対称性変換に理論的に不変であることを示し,SyMatがランダム生成および特性最適化タスクにおいて有望な性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-07-06T01:05:34Z)
• TensorNet: Cartesian Tensor Representations for Efficient Learning of Molecular Potentials [4.169915659794567]
  我々は、革新的なO(3)等価メッセージパッシングニューラルネットワークアーキテクチャであるNetを紹介する。 テンソル原子埋め込みを用いることで、機能混合は行列積演算により単純化される。 ポテンシャルエネルギーと力の上のベクトルとテンソル分子量の正確な予測が可能である。
  論文  参考訳（メタデータ） (2023-06-10T16:41:18Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Wigner kernels: body-ordered equivariant machine learning without a basis [0.0]
  我々は、ウィグナーカーネルの計算を伴う新しい密度ベース手法を提案する。 ウィグナー核は完全に同変で、ボディーオーダーのカーネルで、放射化学ベースに依存しないコストで反復的に計算することができる。 化学応用におけるWignerカーネルに基づくモデルの精度のいくつかの例を示す。
  論文  参考訳（メタデータ） (2023-03-07T18:34:55Z)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。