論文の概要: Completeness of Atomic Structure Representations

• arxiv url: http://arxiv.org/abs/2302.14770v2
• Date: Fri, 11 Aug 2023 03:20:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 17:21:11.130868
• Title: Completeness of Atomic Structure Representations
• Title（参考訳）: 原子構造表現の完全性
• Authors: Jigyasa Nigam, Sergey N. Pozdnyakov, Kevin K. Huguenin-Dumittan, and Michele Ceriotti
• Abstract要約: 本稿では, 粒子三重項の相対配置に基づいて, 有限相関の記述子を構築するための新しい手法を提案する。 我々の戦略は、従来の対称ディスクリプタの幅広いクラスを無効にするために特別に構築された原子配列のクラスで実証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we address the challenge of obtaining a comprehensive and symmetric representation of point particle groups, such as atoms in a molecule, which is crucial in physics and theoretical chemistry. The problem has become even more important with the widespread adoption of machine-learning techniques in science, as it underpins the capacity of models to accurately reproduce physical relationships while being consistent with fundamental symmetries and conservation laws. However, the descriptors that are commonly used to represent point clouds -- most notably those adopted to describe matter at the atomic scale -- are unable to distinguish between special arrangements of particles. This makes it impossible to machine learn their properties. Frameworks that are provably complete exist but are only so in the limit in which they simultaneously describe the mutual relationship between all atoms, which is impractical. We present a novel approach to construct descriptors of finite correlations based on the relative arrangement of particle triplets, which can be employed to create symmetry-adapted models with universal approximation capabilities. Our strategy is demonstrated on a class of atomic arrangements that are specifically built to defy a broad class of conventional symmetric descriptors, showcasing its potential for addressing their limitations.
• Abstract（参考訳）: 本稿では,分子内の原子などの点粒子群の包括的かつ対称的な表現を得ることが,物理学や理論化学において重要な課題である。 この問題は、基本的な対称性や保存法と整合性を保ちながら、物理的関係を正確に再現するモデルの能力を支えるため、科学における機械学習技術の普及によってさらに重要になっている。 しかし、一般的に点雲を表すために使われる記述子(特に原子規模で物質を記述するために使われるもの)は、粒子の特別な配置を区別できない。 これにより、マシンでプロパティを学習することは不可能である。 証明可能な完全性を持つフレームワークは存在するが、それらは全ての原子間の相互関係を同時に記述する限界にしか存在しない。 本稿では, 粒子三重項の相対配置に基づいて, 有限相関の記述子を構築するための新しい手法を提案する。 我々の戦略は、従来の対称ディスクリプタの幅広いクラスに対抗するために特別に構築された原子配列のクラスで実証され、その制限に対処する可能性を示している。

関連論文リスト

• Hierarchical analytical approach to universal spectral correlations in Brownian Quantum Chaos [44.99833362998488]
  量子カオスの0次元ブラウンモデルにおけるスペクトル形状因子と時間外順序相関器の解析的アプローチを開発する。
  論文  参考訳（メタデータ） (2024-10-21T10:56:49Z)
• Cartesian atomic cluster expansion for machine learning interatomic potentials [0.0]
  機械学習の原子間ポテンシャルは、物質科学と化学における原子モデルに革命をもたらしている。 本稿では, 高い精度, 安定性, 一般化性を示す, カルテシアン配位子に基づく原子密度展開を提案する。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。
  論文  参考訳（メタデータ） (2024-02-12T08:17:23Z)
• Enhanced Entanglement in the Measurement-Altered Quantum Ising Chain [46.99825956909532]
  局所的な量子測定は単に自由度を乱すのではなく、システム内の絡みを強める可能性がある。 本稿では,局所測定の有限密度が与えられた状態の絡み合い構造をどのように修正するかを考察する。
  論文  参考訳（メタデータ） (2023-10-04T09:51:00Z)
• Shrinking Embeddings for Hyper-Relational Knowledge Graphs [42.23862602535092]
  本稿では,これらのパターンを明示的にモデル化することを目的とした幾何学的ハイパーリレーショナルKG埋め込み手法であるemphShrinkEを提案する。 実験の結果、ShrinkEは3つのハイパーリレーショナルKGのベンチマークで優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-03T21:14:59Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Unified theory of atom-centered representations and graph convolutional machine-learning schemes [0.0]
  原子中心密度相関 (ACDC) は、標的の体秩序、対称性に適応した拡張の基礎として用いられる。 我々は、ACDCを多中心情報を含むように一般化し、原子座標の対称関数を回帰するために完全な線形基底を与える表現を生成する。
  論文  参考訳（メタデータ） (2022-02-03T12:56:22Z)
• Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties [0.0]
  我々は、非常に成功した原子中心密度相関特性をN中心の場合に一般化する構造記述子の族について論じる。 特に、原子中心軌道ベースで書かれた(有効)単一粒子ハミルトニアンの行列要素を効率的に学習するために、この構造がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-09-24T17:19:57Z)
• Detect the Interactions that Matter in Matter: Geometric Attention for Many-Body Systems [0.4351216340655199]
  ユークリッド空間における任意の原子配置の幾何学的関係を記述する変種を提案する。 学習した注目行列の連続的な応用が、分子幾何学を飛行中の個々の原子寄与の集合に効果的に変換する方法を実証する。
  論文  参考訳（メタデータ） (2021-06-04T15:28:27Z)
• Models of zero-range interaction for the bosonic trimer at unitarity [91.3755431537592]
  ゼロ範囲の2体相互作用によって相互に結合された同一ボソンからなる3体系に対する量子ハミルトニアンの構成について述べる。 プレゼンテーションの大部分では、無限の散乱長が考慮される。
  論文  参考訳（メタデータ） (2020-06-03T17:54:43Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。