論文の概要: Generalizability of Functional Forms for Interatomic Potential Models
Discovered by Symbolic Regression
- arxiv url: http://arxiv.org/abs/2210.15124v1
- Date: Thu, 27 Oct 2022 02:16:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 14:39:01.168962
- Title: Generalizability of Functional Forms for Interatomic Potential Models
Discovered by Symbolic Regression
- Title（参考訳）: シンボリック回帰法による原子間ポテンシャルモデルの汎化可能性
- Authors: Alberto Hernandez, Tim Mueller
- Abstract要約: 我々は,銅の高速,高精度,転写可能な原子間ポテンシャルモデルを開発した。
いくつかの材料特性についてサンプル外性能を解析する。
これらの結果が、新しいポテンシャルの発達に象徴的回帰の幅広い応用にもたらす影響について論じる。
- 参考スコア（独自算出の注目度）: 1.3904091056365764
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years there has been great progress in the use of machine learning
algorithms to develop interatomic potential models. Machine-learned potential
models are typically orders of magnitude faster than density functional theory
but also orders of magnitude slower than physics-derived models such as the
embedded atom method. In our previous work, we used symbolic regression to
develop fast, accurate and transferrable interatomic potential models for
copper with novel functional forms that resemble those of the embedded atom
method. To determine the extent to which the success of these forms was
specific to copper, here we explore the generalizability of these models to
other elements and analyze their out-of-sample performance on several material
properties. We found that these forms work particularly well on elements that
are chemically similar to copper. When compared to optimized Sutton-Chen
models, which have similar complexity, the functional forms discovered using
symbolic regression perform better across all elements considered except gold
where they have a similar performance. They perform similarly to a moderately
more complex embedded atom form on properties on which they were trained, and
they are more accurate on average on other properties. We attribute this
improved generalized accuracy to the relative simplicity of the models
discovered using symbolic regression. The genetic programming models are found
to outperform other models from the literature about 50% of the time, with
about 1/10th the model complexity on average. We discuss the implications of
these results to the broader application of symbolic regression to the
development of new potentials and highlight how models discovered for one
element can be used to seed new searches for different elements.
- Abstract（参考訳）: 近年、原子間ポテンシャルモデルを開発するために機械学習アルゴリズムの利用が大きな進歩を遂げている。
機械学習ポテンシャルモデルは一般に密度汎関数理論よりも桁違いに速いが、埋め込み原子法のような物理学由来のモデルよりも桁違いに遅い。
これまでの研究では、シンボリック回帰を用いて、埋め込み原子法に類似した新しい機能形式を持つ銅の高速で正確で転送可能な原子間ポテンシャルモデルを開発した。
これらの形態の成功が銅に比例する程度を判断するために、これらのモデルの他の要素への一般化可能性について検討し、いくつかの材料特性のサンプル外性能を解析する。
これらの形状は銅と化学的に類似した元素に特によく作用することがわかった。
類似した複雑さを持つ最適化されたサットン・シェンモデルと比較すると、シンボリック回帰を用いて発見された関数形式は、類似した性能を持つ金を除く全ての要素でより良く機能する。
それらは、訓練された性質上の適度に複雑な埋め込み原子形式と類似し、他の性質について平均的により正確である。
一般化された精度の向上は、記号回帰を用いて発見されたモデルの相対的単純さに起因している。
遺伝的プログラミングモデルは、約50%の確率で他のモデルよりも優れており、モデルの複雑さの約1/10である。
これらの結果が新たなポテンシャルの発達へのシンボル回帰の広範な応用にもたらす影響を論じ、ある要素で発見されたモデルを用いて異なる要素の新しい探索を行う方法について述べる。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Higher-Rank Irreducible Cartesian Tensors for Equivariant Message Passing [23.754664894759234]
原子学シミュレーションは 化学の進歩に不可欠です
機械学習された原子間ポテンシャルは、計算コストのごく一部でアブイニシアト法と第一原理法と同等の精度を達成する。
論文 参考訳（メタデータ） (2024-05-23T07:31:20Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。
本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Navigating protein landscapes with a machine-learned transferable
coarse-grained model [29.252004942896875]
同様の予測性能を持つ粗粒度(CG)モデルは、長年にわたる課題である。
ケミカルトランスポータビリティを持つボトムアップCG力場を開発し,新しい配列の分子動力学に利用することができる。
本モデルでは, 折り畳み構造, 中間体, メタスタブル折り畳み型および折り畳み型流域, 内在的に不規則なタンパク質のゆらぎの予測に成功している。
論文 参考訳（メタデータ） (2023-10-27T17:10:23Z) - Constitutive model characterization and discovery using physics-informed
deep learning [0.0]
モデルの特徴と発見のための物理インフォームド・ラーニング・マシンに基づく新しい手法を提案する。
提案するフレームワークは,von Misesファミリーとは異なるデータセットを記述する基盤モデルを効率的に同定できることを実証する。
論文 参考訳（メタデータ） (2022-03-18T08:10:02Z) - Identification of high order closure terms from fully kinetic
simulations using machine learning [0.0]
2つの異なる機械学習モデルが、運動シミュレーションから抽出された高次モーメントをいかに合成できるかを示す。
モデルの精度と一般化能力を評価し,ベースラインモデルと比較した。
どちらのモデルも熱流束と圧力テンソルを非常によく捉えることができ、勾配昇降レグレッタは2モデルの中で最も安定である。
論文 参考訳（メタデータ） (2021-10-19T12:27:02Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳（メタデータ） (2020-10-05T20:03:13Z) - MLSolv-A: A Novel Machine Learning-Based Prediction of Solvation Free
Energies from Pairwise Atomistic Interactions [0.0]
MLに基づく新しい解法モデルを導入し, 対の原子間相互作用から解エネルギーを計算する。
6,493実験の結果, トレーニングデータの拡大に際し, 優れた性能と伝達性を実現した。
論文 参考訳（メタデータ） (2020-05-13T06:53:54Z)
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。