Fugu-MT 論文翻訳(概要): Equivariant Networks for Crystal Structures

論文の概要: Equivariant Networks for Crystal Structures

arxiv url: http://arxiv.org/abs/2211.15420v1
Date: Tue, 15 Nov 2022 14:39:36 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 14:50:40.020813
Title: Equivariant Networks for Crystal Structures
Title（参考訳）: 結晶構造の等変ネットワーク
Authors: S\'ekou-Oumar Kaba, Siamak Ravanbakhsh
Abstract要約: 結晶対称性群に対して同値なモデルのクラスを導入する。我々は、不動産予測タスクの最先端技術を用いて、競争力のある結果を得る。
参考スコア（独自算出の注目度）: 16.918979537914304
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Supervised learning with deep models has tremendous potential for applications in materials science. Recently, graph neural networks have been used in this context, drawing direct inspiration from models for molecules. However, materials are typically much more structured than molecules, which is a feature that these models do not leverage. In this work, we introduce a class of models that are equivariant with respect to crystalline symmetry groups. We do this by defining a generalization of the message passing operations that can be used with more general permutation groups, or that can alternatively be seen as defining an expressive convolution operation on the crystal graph. Empirically, these models achieve competitive results with state-of-the-art on property prediction tasks.
Abstract（参考訳）: 深層モデルによる教師付き学習は、材料科学の応用に非常に有益である。近年、グラフニューラルネットワークがこの文脈で使われ、分子のモデルから直接インスピレーションを得ている。しかし、一般的に物質は分子よりも構造的であり、これらのモデルでは利用できない特徴である。本研究では、結晶対称性群に対して同変のモデルのクラスを導入する。我々は、より一般的な置換群で使用可能なメッセージパッシング操作の一般化を定義するか、またはクリスタルグラフ上の表現的畳み込み演算を定義することでこれを行う。経験上、これらのモデルはプロパティ予測タスクにおいて最先端の技術で競争的な結果を得る。

関連論文リスト

Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
In-Context Learning of Physical Properties: Few-Shot Adaptation to Out-of-Distribution Molecular Graphs [1.8635507597668244]
コンテキスト内学習は推論中のみに非自明な機械学習タスクを実行することができる。この研究で、我々は、イン・コンテクスト・ラーニングを利用して、配布外物質特性を予測できるだろうか? 我々は、GPT-2が幾何認識グラフニューラルネットワークの出力に作用し、コンテキスト内情報に適応する複合モデルを用いる。
論文参考訳（メタデータ） (2024-06-03T21:59:21Z)
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)
MAGNet: Motif-Agnostic Generation of Molecules from Shapes [16.188301768974]
MAGNetは、原子と結合の型を割り当てる前に抽象的な形状を生成するグラフベースのモデルである。 MAGNetの表現性の向上は、よりトポロジカルな構造を持つ分子に繋がることを示した。
論文参考訳（メタデータ） (2023-05-30T15:29:34Z)
MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文参考訳（メタデータ） (2022-12-20T19:32:30Z)
How to See Hidden Patterns in Metamaterials with Interpretable Machine Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文参考訳（メタデータ） (2021-11-10T21:19:02Z)
Counterfactual Generative Networks [59.080843365828756]
画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
論文参考訳（メタデータ） (2021-01-15T10:23:12Z)
Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文参考訳（メタデータ） (2020-09-01T21:58:07Z)
Explainable Matrix -- Visualization for Global and Local Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。 ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文参考訳（メタデータ） (2020-05-08T21:03:48Z)
Machine learning based non-Newtonian fluid model with molecular fidelity [17.93540781757586]
連続的な非ニュートン流体力学モデルを構築するための機械学習に基づくフレームワークを提案する。ダンベルポリマー溶液は本質的なアイデアを示す例として用いられる。
論文参考訳（メタデータ） (2020-03-07T22:24:34Z)

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。