論文の概要: ParticleGrid: Enabling Deep Learning using 3D Representation of
Materials
- arxiv url: http://arxiv.org/abs/2211.08506v1
- Date: Tue, 15 Nov 2022 21:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 16:44:39.145093
- Title: ParticleGrid: Enabling Deep Learning using 3D Representation of
Materials
- Title（参考訳）: ParticleGrid: 材料の3次元表現によるディープラーニングの実現
- Authors: Shehtab Zaman, Ethan Ferguson, Cecile Pereira, Denis Akhiyarov,
Mauricio Araya-Polo, Kenneth Chiu
- Abstract要約: 我々は、$textitParticleGrid$で生成された3Dグリッドの有効性を示し、3D畳み込みニューラルネットワークを用いて分子エネルギー特性を正確に予測する。
我々のモデルは平均2乗誤差0.006を得ることができ、計算コストの高い密度汎関数理論を用いて計算された値とほぼ一致する。
- 参考スコア（独自算出の注目度）: 0.39146761527401425
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: From AlexNet to Inception, autoencoders to diffusion models, the development
of novel and powerful deep learning models and learning algorithms has
proceeded at breakneck speeds. In part, we believe that rapid iteration of
model architecture and learning techniques by a large community of researchers
over a common representation of the underlying entities has resulted in
transferable deep learning knowledge. As a result, model scale, accuracy,
fidelity, and compute performance have dramatically increased in computer
vision and natural language processing. On the other hand, the lack of a common
representation for chemical structure has hampered similar progress. To enable
transferable deep learning, we identify the need for a robust 3-dimensional
representation of materials such as molecules and crystals. The goal is to
enable both materials property prediction and materials generation with 3D
structures. While computationally costly, such representations can model a
large set of chemical structures. We propose $\textit{ParticleGrid}$, a
SIMD-optimized library for 3D structures, that is designed for deep learning
applications and to seamlessly integrate with deep learning frameworks. Our
highly optimized grid generation allows for generating grids on the fly on the
CPU, reducing storage and GPU compute and memory requirements. We show the
efficacy of 3D grids generated via $\textit{ParticleGrid}$ and accurately
predict molecular energy properties using a 3D convolutional neural network.
Our model is able to get 0.006 mean square error and nearly match the values
calculated using computationally costly density functional theory at a fraction
of the time.
- Abstract（参考訳）: AlexNetからInceptionまで、オートエンコーダから拡散モデル、新しい強力なディープラーニングモデルと学習アルゴリズムの開発は、ブレークネックスピードで進んでいる。
モデルアーキテクチャと学習手法の迅速な反復は、基礎となるエンティティの共通表現に関する研究者の大規模なコミュニティによって、伝達可能な深層学習の知識をもたらすと信じている。
その結果、コンピュータビジョンや自然言語処理において、モデルスケール、精度、忠実度、計算性能が劇的に向上した。
一方、化学構造に対する共通表現の欠如は、同様の進展を阻害している。
伝達可能な深層学習を実現するため,分子や結晶などの材料を3次元的に立体的に表現する必要性を同定する。
目標は3次元構造を用いた材料特性予測と材料生成を可能にすることである。
計算コストは高いが、そのような表現は化学構造の大きな集合をモデル化することができる。
3d構造のためのsimd最適化ライブラリである$\textit{particlegrid}$を提案し、ディープラーニングアプリケーション用に設計し、ディープラーニングフレームワークとシームレスに統合する。
高度に最適化されたグリッド生成は、CPU上で高速にグリッドを生成し、ストレージとGPU計算とメモリ要求を削減します。
3次元畳み込みニューラルネットワークを用いて,$\textit{particlegrid}$で生成された3次元グリッドの有効性を示し,分子エネルギー特性を正確に予測する。
このモデルは平均2乗誤差0.006 を得ることができ、計算コストの高い密度汎関数理論を用いて計算した値とほぼ一致する。
関連論文リスト
- UV Gaussians: Joint Learning of Mesh Deformation and Gaussian Textures for Human Avatar Modeling [71.87807614875497]
メッシュ変形と2次元UV空間のガウステクスチャを共同学習することで3次元人体をモデル化するUVガウスアンを提案する。
我々は,多視点画像,走査モデル,パラメトリックモデル登録,およびそれに対応するテクスチャマップを含む,人間の動作の新たなデータセットを収集し,処理する。
論文 参考訳（メタデータ） (2024-03-18T09:03:56Z) - 3D-QAE: Fully Quantum Auto-Encoding of 3D Point Clouds [71.39129855825402]
既存の3D表現の学習方法は、古典的なハードウェアでトレーニングされ、テストされるディープニューラルネットワークである。
本稿では3次元点雲のための最初の量子オートエンコーダを紹介する。
論文 参考訳（メタデータ） (2023-11-09T18:58:33Z) - Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳（メタデータ） (2023-06-13T14:43:13Z) - 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。
現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。
分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-01T19:00:46Z) - Maximizing Spatio-Temporal Entropy of Deep 3D CNNs for Efficient Video
Recognition [25.364148451584356]
3D畳み込みニューラルネットワーク(CNN)は、ビデオ認識において一般的な選択肢である。
我々は,新しい学習自由なニューラルアーキテクチャ探索手法を用いて,効率的な3次元CNNアーキテクチャを自動設計することを提案する。
Something-Something V1&V2 と Kinetics400 の実験は、E3D ファミリーが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2023-03-05T15:11:53Z) - 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。
我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-10-08T13:30:49Z) - Molecular machine learning with conformer ensembles [0.0]
ChemPropやSchnetなどの主要なアーキテクチャに拡張された複数のディープラーニングモデルを紹介します。
次に、これらのモデルの性能トレードオフを2D、3D、4D表現で評価し、薬物活動の予測を行う。
新しいアーキテクチャは2Dモデルよりも大幅にパフォーマンスが向上するが、その性能は多くの場合、多くのモデルと同様、単一のコンフォーマを持つ。
論文 参考訳（メタデータ） (2020-12-15T17:44:48Z) - 3DMaterialGAN: Learning 3D Shape Representation from Latent Space for
Materials Science Applications [7.449993399792031]
3DMaterialGANは、モルフォロジーが与えられた3D多結晶材料の微細構造に適合する個々の粒を認識合成することができる。
提案手法は, ベンチマークアノテートした3次元データセット上で, 最先端の3次元データよりも比較可能か, あるいは優れていることを示す。
この枠組みは多結晶材料の認識と合成の基礎を築いた。
論文 参考訳（メタデータ） (2020-07-27T21:55:16Z) - Deep Polynomial Neural Networks [77.70761658507507]
$Pi$Netsは拡張に基づいた関数近似の新しいクラスである。
$Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
論文 参考訳（メタデータ） (2020-06-20T16:23:32Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳（メタデータ） (2020-04-21T13:40:03Z)
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。