Fugu-MT 論文翻訳(概要): Machine learning frontier orbital energies of nanodiamonds

論文の概要: Machine learning frontier orbital energies of nanodiamonds

arxiv url: http://arxiv.org/abs/2210.07930v1
Date: Fri, 30 Sep 2022 15:18:49 GMT
ステータス: 処理完了
システム内更新日: 2022-10-23 20:53:38.895211
Title: Machine learning frontier orbital energies of nanodiamonds
Title（参考訳）: ナノダイヤモンドの機械学習フロンティア軌道エネルギー
Authors: Thorren Kirschbaum, B\"orries von Seggern, Joachim Dzubiella, Annika Bande, Frank No\'e
Abstract要約: 我々は5,089個のダイヤモンドおよびナノダイヤモンド構造とそのフロンティア軌道エネルギーからなる新しいデータセットND5kを紹介する。 ND5k構造は密結合密度汎関数理論(DFTB)により最適化され、そのフロンティア軌道エネルギーはPBE0ハイブリッド汎関数理論(DFT)を用いて計算される。また,ND5kでの補間) で訓練されたように, 同様の構造のフロンティア軌道エネルギーを予測する機械学習モデルを比較し, より大きな構造への外挿能力を検証した。
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: Nanodiamonds have a wide range of applications including catalysis, sensing, tribology and biomedicine. To leverage nanodiamond design via machine learning, we introduce the new dataset ND5k, consisting of 5,089 diamondoid and nanodiamond structures and their frontier orbital energies. ND5k structures are optimized via tight-binding density functional theory (DFTB) and their frontier orbital energies are computed using density functional theory (DFT) with the PBE0 hybrid functional. We also compare recent machine learning models for predicting frontier orbital energies for similar structures as they have been trained on (interpolation on ND5k), and we test their abilities to extrapolate predictions to larger structures. For both the interpolation and extrapolation task, we find best performance using the equivariant graph neural network PaiNN. The second best results are achieved with a message passing neural network using a tailored set of atomic descriptors proposed here.
Abstract（参考訳）: ナノダイヤモンドは触媒、センシング、トライボロジー、バイオメディシンなど幅広い用途に応用されている。マシンラーニングによるナノダイアモンド設計を活用するために,5,089個のダイヤモンド構造とナノダイアモンド構造とフロンティア軌道エネルギーからなる新しいデータセットnd5kを紹介する。 ND5k構造は密結合密度汎関数理論(DFTB)により最適化され、そのフロンティア軌道エネルギーはPBE0ハイブリッド汎関数理論(DFT)を用いて計算される。また,ND5kでの補間)と同様な構造のフロンティア軌道エネルギーを予測するための最近の機械学習モデルを比較し,より大規模な構造への予測を外挿する能力をテストする。補間処理と補間処理の両方において、同変グラフニューラルネットワークPaiNNを用いて最適な性能を示す。第二の最良の結果は、ここで提案された一連の原子ディスクリプタを使用して、メッセージパッシングニューラルネットワークによって達成される。

関連論文リスト

Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文参考訳（メタデータ） (2024-09-26T08:16:59Z)
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)
Physics-aware Graph Neural Network for Accurate RNA 3D Structure Prediction [20.276492931562036]
実験的に決定されたRNA構造が限られていることを考えると、RNA構造の予測はRNA機能の解明とRNAを標的とした薬物発見を促進する。原子型のみを訓練したグラフニューラルネットワーク(GNN)に基づくスコアリング関数を提案する。提案した物理対応多重グラフニューラルネットワーク(PaxNet)は、局所的および非局所的相互作用を別々にモデル化する。
論文参考訳（メタデータ） (2022-10-28T20:13:00Z)
Unlocking the potential of two-point cells for energy-efficient training of deep nets [4.544752600181175]
変換型L5PC駆動型ディープニューラルネットワーク(DNN)が、大量の異種実世界のオーディオ視覚(AV)データを効果的に処理できることを示す。 Xilinx UltraScale+ MPSoC デバイス上の新しい高分散並列実装は、最大で245759 × 50000$$mu$Jと見積もっている。教師付き学習装置では、省エネはベースラインモデルよりも最大1250倍少ない(フィードフォワード送信)。
論文参考訳（メタデータ） (2022-10-24T13:33:15Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
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)
Developing Potential Energy Surfaces for Graphene-based 2D-3D Interfaces from Modified High Dimensional Neural Networks for Applications in Energy Storage [0.0]
本研究では密度汎関数理論(DFT)法による2次元グラフェンと3次元スズ(Sn)系の界面について検討した。計算要求シミュレーションデータを用いて機械学習(ML)に基づくポテンシャルエネルギー表面(PES)を開発する。
論文参考訳（メタデータ） (2022-03-12T17:54:56Z)
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)
Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
論文参考訳（メタデータ） (2020-08-14T15:22:22Z)
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。