論文の概要: Xtal2DoS: Attention-based Crystal to Sequence Learning for Density of States Prediction

• arxiv url: http://arxiv.org/abs/2302.01486v1
• Date: Fri, 3 Feb 2023 01:46:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 17:48:50.172946
• Title: Xtal2DoS: Attention-based Crystal to Sequence Learning for Density of States Prediction
• Title（参考訳）: Xtal2DoS:状態予測のためのアテンションベース結晶からシーケンス学習
• Authors: Junwen Bai, Yuanqi Du, Yingheng Wang, Shufeng Kong, John Gregoire, Carla Gomes
• Abstract要約: 結晶からシーケンスへの学習タスクを定式化し,新しい注意に基づく学習手法 Xtal2DoS を提案する。 Xtal2DoSは、学習した原子埋め込みをアテンションネットワークを通じて組み込むことで、状態(DoS)の物質密度の逐次表現をデコードする。 実験によると、Xtal2DoSは既存のモデルよりも高速で、4つのメトリクスで他の最先端メソッドよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 11.737885297591129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern machine learning techniques have been extensively applied to materials science, especially for property prediction tasks. A majority of these methods address scalar property predictions, while more challenging spectral properties remain less emphasized. We formulate a crystal-to-sequence learning task and propose a novel attention-based learning method, Xtal2DoS, which decodes the sequential representation of the material density of states (DoS) properties by incorporating the learned atomic embeddings through attention networks. Experiments show Xtal2DoS is faster than the existing models, and consistently outperforms other state-of-the-art methods on four metrics for two fundamental spectral properties, phonon and electronic DoS.
• Abstract（参考訳）: 現代の機械学習技術は材料科学、特に特性予測タスクに広く応用されている。 これらの手法の大部分はスカラー特性の予測に対処するが、より困難なスペクトル特性は強調されないままである。 本稿では,結晶から系列への学習タスクを定式化し,アテンションネットワークを通じて学習原子埋め込みを取り入れ,状態密度(dos)特性の逐次表現をデコードする新しいアテンションベース学習手法であるxtal2dosを提案する。 実験により、Xtal2DoSは既存のモデルよりも高速であることが示され、フォノンと電子DoSの2つの基本スペクトル特性の4つの指標において、他の最先端の手法よりも一貫して優れていた。

関連論文リスト

• CrysAtom: Distributed Representation of Atoms for Crystal Property Prediction [0.0]
  物質科学の文献では、結晶性物質がトポロジカルな構造を示すことはよく知られている。 本稿では,原子の密度ベクトル表現を生成するために,無相関結晶データを用いた教師なしフレームワーク,CrysAtomを提案する。
  論文  参考訳（メタデータ） (2024-09-07T06:58:55Z)
• Self-supervised learning for crystal property prediction via denoising [43.148818844265236]
  材料特性予測のための新たな自己教師型学習(SSL)戦略を提案する。 本手法は, 自己教師付き学習(CDSSL)の結晶化であり, 有意な材料構造を復元する前提条件付き予測モデルを事前訓練する。 CDSSLモデルがSSLなしでトレーニングされたモデル、素材タイプ、プロパティ、データセットサイズを上回るパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-08-30T12:53:40Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Geometric Deep Learning for Molecular Crystal Structure Prediction [0.0]
  我々は,分子構造ランキングと結晶特性予測を高速化する新しい機械学習戦略を開発し,検証する。 私たちの密度予測モデルであるMollXtalNet-Dは、大規模で多様なテストデータセット上で2%未満の絶対誤差で、アートパフォーマンスの状態を達成します。 我々の結晶ランキングツールであるMollXtalNet-Sは、合成された偽物から実験サンプルを正しく識別する。
  論文  参考訳（メタデータ） (2023-03-17T17:27:47Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Leveraging Orbital Information and Atomic Feature in Deep Learning Model [0.413365552362244]
  本稿では,原子記述子生成とグラフ表現学習という2つの部分からなる結晶表現学習フレームワーク,Orbital CrystalNet, OCrystalNetを提案する。 OCrystalNetの能力を実証するために、Material ProjectデータセットとJARVISデータセット上で、多くの予測タスクを実行しました。 その結果,我々のモデルは,他の最先端の美術モデルに対して様々な利点があることがわかった。
  論文  参考訳（メタデータ） (2022-10-29T06:22:29Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
  本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。 本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
  論文  参考訳（メタデータ） (2022-01-20T18:28:22Z)
• 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)

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。