論文の概要: StriderNET: A Graph Reinforcement Learning Approach to Optimize Atomic
Structures on Rough Energy Landscapes
- arxiv url: http://arxiv.org/abs/2301.12477v1
- Date: Sun, 29 Jan 2023 16:06:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:58:15.166131
- Title: StriderNET: A Graph Reinforcement Learning Approach to Optimize Atomic
Structures on Rough Energy Landscapes
- Title（参考訳）: StriderNET: 粗エネルギー景観における原子構造最適化のためのグラフ強化学習アプローチ
- Authors: Vaibhav Bihani, Sahil Manchanda, Srikanth Sastry, Sayan Ranu, N.M.
Anoop Krishnan
- Abstract要約: グラフ強化手法であるStriderNETを提案する。
StriderNETはすべての古典的アルゴリズムより優れており、低エネルギー最小値の発見を可能にしている。
最後に、StriderNETがシステムと大きく異なる未確認のシステムサイズにインダクティビティを示すことを示す。
- 参考スコア（独自算出の注目度）: 4.7807982515338985
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimization of atomic structures presents a challenging problem, due to
their highly rough and non-convex energy landscape, with wide applications in
the fields of drug design, materials discovery, and mechanics. Here, we present
a graph reinforcement learning approach, StriderNET, that learns a policy to
displace the atoms towards low energy configurations. We evaluate the
performance of StriderNET on three complex atomic systems, namely, binary
Lennard-Jones particles, calcium silicate hydrates gel, and disordered silicon.
We show that StriderNET outperforms all classical optimization algorithms and
enables the discovery of a lower energy minimum. In addition, StriderNET
exhibits a higher rate of reaching minima with energies, as confirmed by the
average over multiple realizations. Finally, we show that StriderNET exhibits
inductivity to unseen system sizes that are an order of magnitude different
from the training system.
- Abstract（参考訳）: 原子構造の最適化は、薬物設計、材料発見、メカニクスの分野で広く応用されている、非常に粗く非凸なエネルギー環境のため、難しい問題である。
本稿では,原子を低エネルギー配置に置換する政策を学習するグラフ強化学習手法であるStriderNETを提案する。
StriderNETを2元系レナード-ジョーンズ粒子, ケイ酸カルシウムハイドレートゲル, および不規則シリコンの3つの複雑な原子系上での性能評価を行った。
stridernetは従来の最適化アルゴリズムよりも優れており、低エネルギーの最小値の発見を可能にする。
さらに、StriderNETは、複数の実現平均によって確認されるように、エネルギーで最小値に達する確率が高い。
最後に、stridernetは、トレーニングシステムとは異なる桁違いな、未知のシステムサイズへのインダクティビティを示すことを示した。
関連論文リスト
- Dirichlet Energy Enhancement of Graph Neural Networks by Framelet
Augmentation [19.56268823452656]
我々は、ディリクレエネルギーの分析にフレームレットシステムを導入し、ディリクレエネルギーを活用するためにマルチスケールの視点を採る。
そこで我々は,エネルギ・エンハンスメント・コンボリューション(EEConv)を設計する。
実験により、EEConvを用いたディープGNNは、さまざまなノード分類データセットに対して最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-11-09T22:22:18Z) - 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) - Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet
Energy [103.74640329539389]
特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。
我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。
本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
論文 参考訳（メタデータ） (2023-05-21T08:15:55Z) - Uncovering Energy-Efficient Practices in Deep Learning Training:
Preliminary Steps Towards Green AI [8.025202812165412]
我々は、エネルギー消費を精度に等しい重要性の指標とみなし、無関係なタスクやエネルギー使用量を減らす。
持続可能性の観点から深層学習パイプラインの訓練段階について検討する。
ディープラーニングモデルをトレーニングするための革新的で有望なエネルギー効率のプラクティスを強調します。
論文 参考訳（メタデータ） (2023-03-24T12:48:21Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - Efficient algorithms to solve atom reconfiguration problems. I. The
redistribution-reconfiguration (red-rec) algorithm [51.02512563152503]
我々は,損失の有無にかかわらず,Red-Recアルゴリズムの性能を数値的に定量化する。
所望の原子数の3/2パワーとして, 平均成功確率を半分に設定した格子上の原子のコンパクトな中心配置に必要なトラップ数を示す。
Red-recアルゴリズムは、リアルタイム制御システムに容易にデプロイできる効率的な実装を認めている。
論文 参考訳（メタデータ） (2022-12-07T19:00:01Z) - Unravelling the Performance of Physics-informed Graph Neural Networks
for Dynamical Systems [5.787429262238507]
グラフニューラルネットワーク(GNN)とその変種の性能を、明示的な制約と異なるアーキテクチャで評価する。
本研究は, 明示的制約や運動エネルギーとポテンシャルエネルギーの疎結合などの付加的な誘導バイアスを有するGNNが, 性能を著しく向上することを示した。
全ての物理インフォームドGNNは、訓練システムよりも桁違いの大きさのシステムサイズに対してゼロショットの一般化性を示し、大規模な現実的なシステムをシミュレートする有望な経路を提供する。
論文 参考訳（メタデータ） (2022-11-10T12:29:30Z) - Learn2Hop: Learned Optimization on Rough Landscapes [19.30760260383794]
種々の損失構成に対する最適化アルゴリズムを学習することにより,メタラーニングの展開を多くのミニマ問題に適用することを提案する。
我々の学習は、要素や構成に先立って効率が向上する有望な一般化を示すことを示す。
論文 参考訳（メタデータ） (2021-07-20T17:57:19Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Optimizing Memory Placement using Evolutionary Graph Reinforcement
Learning [56.83172249278467]
大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。
我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。
また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
論文 参考訳（メタデータ） (2020-07-14T18:50:12Z) - Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。
しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。
本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
論文 参考訳（メタデータ） (2020-01-18T09:14:16Z)
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。