論文の概要: The Open MatSci ML Toolkit: A Flexible Framework for Machine Learning in
Materials Science
- arxiv url: http://arxiv.org/abs/2210.17484v1
- Date: Mon, 31 Oct 2022 17:11:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:23:22.686255
- Title: The Open MatSci ML Toolkit: A Flexible Framework for Machine Learning in
Materials Science
- Title(参考訳): Open MatSci ML Toolkit: 材料科学における機械学習のための柔軟なフレームワーク
- Authors: Santiago Miret, Kin Long Kelvin Lee, Carmelo Gonzales, Marcel Nassar,
Matthew Spellings
- Abstract要約: Open MatSci ML Toolkitは、科学的データにディープラーニングモデルとメソッドを適用するための、柔軟で自己完結型でスケーラブルなPythonベースのフレームワークである。
オープンソースリリースを通じて、このツールキットを研究コミュニティに公開し、共有することで、次のように期待しています。
OpenCatalystデータセットを使い始めようとする、新しい機械学習研究者や実践者の参入障壁を低くする。
- 参考スコア(独自算出の注目度): 3.577720074630756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present the Open MatSci ML Toolkit: a flexible, self-contained, and
scalable Python-based framework to apply deep learning models and methods on
scientific data with a specific focus on materials science and the OpenCatalyst
Dataset. Our toolkit provides: 1. A scalable machine learning workflow for
materials science leveraging PyTorch Lightning, which enables seamless scaling
across different computation capabilities (laptop, server, cluster) and
hardware platforms (CPU, GPU, XPU). 2. Deep Graph Library (DGL) support for
rapid graph neural network prototyping and development. By publishing and
sharing this toolkit with the research community via open-source release, we
hope to: 1. Lower the entry barrier for new machine learning researchers and
practitioners that want to get started with the OpenCatalyst dataset, which
presently comprises the largest computational materials science dataset. 2.
Enable the scientific community to apply advanced machine learning tools to
high-impact scientific challenges, such as modeling of materials behavior for
clean energy applications. We demonstrate the capabilities of our framework by
enabling three new equivariant neural network models for multiple OpenCatalyst
tasks and arrive at promising results for compute scaling and model
performance.
- Abstract(参考訳): 物質科学とOpenCatalyst Datasetに特化して、ディープラーニングモデルと手法を科学データに適用するための、柔軟で自己完結型でスケーラブルなPythonベースのフレームワークであるOpen MatSci ML Toolkitを提示する。
私たちのツールキットは
PyTorch Lightningを利用することで、さまざまな計算機能(ラップトップ、サーバ、クラスタ)とハードウェアプラットフォーム(CPU、GPU、XPU)をシームレスにスケーリングできる。
2. 高速グラフニューラルネットワークのプロトタイピングと開発のためのディープグラフライブラリ(dgl)のサポート
このツールキットをオープンソースリリースを通じて研究コミュニティと公開し、共有することで、私たちは以下のことを望んでいます。
1. OpenCatalystデータセットを使い始めようとする新しい機械学習研究者や実践者の参入障壁を低くする。
2. クリーンエネルギー利用のための材料挙動のモデリング等、高度な機械学習ツールを科学的課題に適用することを可能とする。
複数のopencatalystタスクのための3つの新しい等価ニューラルネットワークモデルを可能にし、スケーリングとモデルパフォーマンスの計算に有望な結果に到達し、このフレームワークの能力を実証する。
関連論文リスト
- Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - M$^2$Hub: Unlocking the Potential of Machine Learning for Materials
Discovery [26.099381363351668]
材料発見において機械学習を前進させるツールキットであるM$2$Hubを紹介する。
M$2$Hubは、材料発見タスク、データセット、機械学習メソッド、評価、ベンチマーク結果への容易にアクセスできるようにする。
論文 参考訳(メタデータ) (2023-06-14T23:06:36Z) - TensorKrowch: Smooth integration of tensor networks in machine learning [68.8204255655161]
PyTorch上に構築されたオープンソースのPythonライブラリであるKrowchを紹介します。
ユーザは任意のテンソルネットワークを構築してトレーニングし、より複雑なディープラーニングモデルにレイヤとして統合することができる。
論文 参考訳(メタデータ) (2023-06-14T15:55:19Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳(メタデータ) (2022-01-29T01:03:29Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - DGL-LifeSci: An Open-Source Toolkit for Deep Learning on Graphs in Life
Science [5.3825788156200565]
DGL-LifeSciは,生命科学におけるグラフの深層学習のためのオープンソースパッケージである。
DGL-LifeSciはRDKit、PyTorch、Deep Graph Libraryをベースにしたピソンツールキットである。
これは、分子特性予測、反応予測、分子生成のためのカスタムデータセットに基づくGNNベースのモデリングを可能にする。
論文 参考訳(メタデータ) (2021-06-27T13:27:47Z) - AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。
AutoGLはオープンソースで、使いやすく、拡張も柔軟です。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文 参考訳(メタデータ) (2021-04-11T10:49:23Z) - Gradient-Based Training and Pruning of Radial Basis Function Networks
with an Application in Materials Physics [0.24792948967354234]
本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。
連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
論文 参考訳(メタデータ) (2020-04-06T11:32:37Z) - On the impact of selected modern deep-learning techniques to the
performance and celerity of classification models in an experimental
high-energy physics use case [0.0]
ディープラーニング技術は、高エネルギー物理学の領域で遭遇する分類問題の文脈でテストされる。
利点は、パフォーマンスメトリクスと、結果のモデルのトレーニングと適用に必要な時間の両方の観点から評価されます。
LUMINと呼ばれるPyTorch用の新しいラッパーライブラリが紹介されている。
論文 参考訳(メタデータ) (2020-02-03T12:29:59Z)
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。