論文の概要: Predicting Density of States via Multi-modal Transformer

• arxiv url: http://arxiv.org/abs/2303.07000v2
• Date: Mon, 10 Apr 2023 04:16:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 20:25:54.689256
• Title: Predicting Density of States via Multi-modal Transformer
• Title（参考訳）: マルチモーダル変圧器による状態密度予測
• Authors: Namkyeong Lee, Heewoong Noh, Sungwon Kim, Dongmin Hyun, Gyoung S. Na, Chanyoung Park
• Abstract要約: 本稿では,DOSの性質を反映して状態密度(DOS)を予測するモデルを提案する。 結晶構造とエネルギーから得られる異種情報を多モードトランスにより統合する。
• 参考スコア（独自算出の注目度）: 9.125855764637794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The density of states (DOS) is a spectral property of materials, which provides fundamental insights on various characteristics of materials. In this paper, we propose a model to predict the DOS by reflecting the nature of DOS: DOS determines the general distribution of states as a function of energy. Specifically, we integrate the heterogeneous information obtained from the crystal structure and the energies via multi-modal transformer, thereby modeling the complex relationships between the atoms in the crystal structure, and various energy levels. Extensive experiments on two types of DOS, i.e., Phonon DOS and Electron DOS, with various real-world scenarios demonstrate the superiority of DOSTransformer. The source code for DOSTransformer is available at https://github.com/HeewoongNoh/DOSTransformer.
• Abstract（参考訳）: 状態密度 (DOS) は材料のスペクトル特性であり、材料の様々な特性に関する基本的な洞察を提供する。 本稿では,dosの性質を反映してdosを予測するモデルを提案する:dosはエネルギーの関数として状態の一般分布を決定する。 具体的には、結晶構造とエネルギーから得られる異種情報を多モード変圧器を介して統合し、結晶構造中の原子と様々なエネルギーレベルの間の複雑な関係をモデル化する。 Phonon DOSとElectron DOSの2種類のDOSに関する大規模な実験は、DOSTransformerの優位性を実証している。 DOSTransformerのソースコードはhttps://github.com/HeewoongNoh/DOSTransformerで入手できる。

関連論文リスト

• A Digital Twin Framework for Liquid-cooled Supercomputers as Demonstrated at Exascale [0.6465720702999465]
  本稿では,液体冷却スーパーコンピュータの総合的デジタルツインを開発するためのオープンソースフレームワークであるExaDigiTを紹介する。 1)資源アロケータと電力シミュレータ、(2)過渡的な熱流体冷却モデル、(3)スーパーコンピュータと中央エネルギープラントの拡張現実モデルである。 われわれは、デジタルツインが持続可能なエネルギー効率の高いスーパーコンピュータの鍵となると期待している。
  論文  参考訳（メタデータ） (2024-10-07T15:36:50Z)
• Survey: Transformer-based Models in Data Modality Conversion [0.8136541584281987]
  モダリティ・コンバージョン(Modality Conversion)は、人間が知覚情報を統合して解釈する方法を模倣して、ある形態の表現から別の形式へのデータの変換を行う。 本稿では, テキスト, 視覚, 音声の一次モーダル性に適用されたトランスフォーマーモデルについて, アーキテクチャ, 変換手法, 応用について論じる。
  論文  参考訳（メタデータ） (2024-08-08T18:39:14Z)
• Hyper-Transformer for Amodal Completion [82.4118011026855]
  アモーダルオブジェクト補完は、可視セグメントと背景情報に基づいてオブジェクトの見えない部分を予測する複雑なタスクである。 我々はHyper-Transformer Amodal Network(H-TAN)と呼ばれる新しいフレームワークを紹介する。 このフレームワークは、動的畳み込みヘッドを備えたハイパートランスを用いて、形状の事前を直接学習し、アモーダルマスクを正確に予測する。
  論文  参考訳（メタデータ） (2024-05-30T11:11:54Z)
• Density of States Prediction of Crystalline Materials via Prompt-guided Multi-Modal Transformer [29.65849862607246]
  状態密度 (DOS) は結晶材料のスペクトル特性である。 DOSはエネルギーの関数として状態の一般分布を決定する。 結晶材料とエネルギーから得られる異種情報を多モードトランスにより統合することを提案する。
  論文  参考訳（メタデータ） (2023-10-24T13:43:17Z)
• 2-D SSM: A General Spatial Layer for Visual Transformers [79.4957965474334]
  コンピュータビジョンの中心的な目的は、適切な2次元帰納バイアスを持つモデルを設計することである。 多次元状態空間モデルの表現的変動を利用する。 本稿では,効率的なパラメータ化,高速化計算,適切な正規化方式を提案する。
  論文  参考訳（メタデータ） (2023-06-11T09:41:37Z)
• Holistically Explainable Vision Transformers [136.27303006772294]
  本稿では,B-cos変換器を提案する。 具体的には、各モデルコンポーネント(多層パーセプトロン、注意層、トークン化モジュールなど)を動的線形に定式化する。 提案した設計をViT(Vision Transformers)に適用し,Bcos-ViTと呼ばれるモデルが高解釈可能であり,ベースラインのViTと競合することを示す。
  論文  参考訳（メタデータ） (2023-01-20T16:45:34Z)
• Foundation Transformers [105.06915886136524]
  我々は、真の汎用モデリングのためのファンデーショントランスフォーマーの開発を求めている。 本研究では,その目的を達成するための変圧器の変種であるマグニートーを導入する。
  論文  参考訳（メタデータ） (2022-10-12T17:16:27Z)
• One Transformer Can Understand Both 2D & 3D Molecular Data [94.93514673086631]
  我々はTransformer-Mと呼ばれる新しい分子モデルを開発した。 入力として2Dまたは3Dフォーマットの分子データを取り込み、意味のある意味表現を生成する。 実験の結果,Transformer-Mは2次元および3次元のタスクで高い性能を同時に達成できることがわかった。
  論文  参考訳（メタデータ） (2022-10-04T17:30:31Z)
• Learning the electronic density of states in condensed matter [0.0]
  状態の電子密度(DOS)の予測を目的とした機械学習(ML)フレームワークの構築における課題について論じる。 幅広い熱力学条件にまたがるシリコンの構成を含む,挑戦的なケーススタディを示す。 構造的特徴と電子的特徴の関連性に関する物理的知見を抽出するために, DOSの原子中心分解を用いる方法を示す。
  論文  参考訳（メタデータ） (2020-06-21T14:01:51Z)

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。