論文の概要: Applications of Gaussian Processes at Extreme Lengthscales: From
Molecules to Black Holes
- arxiv url: http://arxiv.org/abs/2303.14291v1
- Date: Fri, 24 Mar 2023 22:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:58:05.162571
- Title: Applications of Gaussian Processes at Extreme Lengthscales: From
Molecules to Black Holes
- Title（参考訳）: 極長スケールにおけるガウス過程の応用:分子からブラックホールへ
- Authors: Ryan-Rhys Griffiths
- Abstract要約: この論文は、ケイファート銀河のマカリアン335からの潜伏放出のサインを推論するためにGPモデリングを使用することを目的としている。
第2の貢献はGPフレームワークを分子および化学反応表現に拡張し、このフレームワークを科学者が使えるようにするためのオープンソースソフトウェアライブラリを提供することである。
第4の貢献は、アレタリック不確実性をモデル化し、本質的なロバスト性を有する材料成分の大規模製造プロセスへの同定を容易にするベイズ最適化スキームの導入である。
- 参考スコア（独自算出の注目度）: 4.18804572788063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many areas of the observational and experimental sciences data is scarce.
Data observation in high-energy astrophysics is disrupted by celestial
occlusions and limited telescope time while data derived from laboratory
experiments in synthetic chemistry and materials science is time and
cost-intensive to collect. On the other hand, knowledge about the
data-generation mechanism is often available in the sciences, such as the
measurement error of a piece of laboratory apparatus. Both characteristics,
small data and knowledge of the underlying physics, make Gaussian processes
(GPs) ideal candidates for fitting such datasets. GPs can make predictions with
consideration of uncertainty, for example in the virtual screening of molecules
and materials, and can also make inferences about incomplete data such as the
latent emission signature from a black hole accretion disc. Furthermore, GPs
are currently the workhorse model for Bayesian optimisation, a methodology
foreseen to be a guide for laboratory experiments in scientific discovery
campaigns. The first contribution of this thesis is to use GP modelling to
reason about the latent emission signature from the Seyfert galaxy Markarian
335, and by extension, to reason about the applicability of various theoretical
models of black hole accretion discs. The second contribution is to extend the
GP framework to molecular and chemical reaction representations and to provide
an open-source software library to enable the framework to be used by
scientists. The third contribution is to leverage GPs to discover novel and
performant photoswitch molecules. The fourth contribution is to introduce a
Bayesian optimisation scheme capable of modelling aleatoric uncertainty to
facilitate the identification of material compositions that possess intrinsic
robustness to large scale fabrication processes.
- Abstract（参考訳）: 観測科学と実験科学の多くの領域では、データが乏しい。
高エネルギー天体物理学におけるデータの観測は、天体の閉塞と望遠鏡時間の制限によって妨害されるが、合成化学と材料科学の実験室実験から得られたデータは収集するのに時間と費用がかかる。
一方で、実験装置の計測誤差など、データ生成機構に関する知識は科学においてしばしば利用可能である。
小さなデータと基礎となる物理学の知識の両方が、ガウス過程(GP)をそのようなデータセットに適合させる理想的な候補にしている。
GPは、例えば分子や物質の仮想スクリーニングにおいて不確実性を考慮した予測を行うことができ、またブラックホール集積ディスクからの潜在放出シグネチャのような不完全なデータについて推論することもできる。
さらに、GPは現在ベイズ最適化の作業モデルであり、科学的な発見キャンペーンにおける実験実験のガイドとなるための方法論である。
この論文の最初の貢献は、セイファート銀河のマーカリアン335からの潜在放出のシグネチャを推論するためにgpモデルを使用し、拡張により、ブラックホール降着円盤の様々な理論モデルの適用可能性について推論することである。
第2の貢献はGPフレームワークを分子および化学反応表現に拡張し、このフレームワークを科学者が使えるようにするためのオープンソースソフトウェアライブラリを提供することである。
第3の貢献は、GPを利用して新規で高性能なフォトウィッチ分子を発見することである。
第4の貢献は、アレエータ的不確かさをモデル化できるベイズ最適化スキームを導入し、大規模な製造プロセスに本質的ロバスト性を持つ材料組成の同定を容易にすることである。
関連論文リスト
- 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) - Additive Multi-Index Gaussian process modeling, with application to
multi-physics surrogate modeling of the quark-gluon plasma [1.7368964547487395]
クォーク・グルーオンプラズマ(Quark-Gluon Plasma、QGP)は、ビッグバンの直後に宇宙を埋めたと理論化されている核物質のユニークな相である。
実験観測対象を理論パラメータで整合させるためには、高次元のパラメータ空間上での複雑な物理モデルの多くのシミュレーション実行が必要である。
本稿では,パラメータ空間の低次元埋め込みに柔軟な加法構造を利用するAdMIn-GP(Adjectitive Multi-Index Gaussian Process)モデルを提案する。
論文 参考訳（メタデータ） (2023-06-11T02:42:09Z) - GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。
GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。
我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文 参考訳（メタデータ） (2023-02-01T17:29:43Z) - Generative structured normalizing flow Gaussian processes applied to
spectroscopic data [4.0773490083614075]
物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。
特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。
火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
論文 参考訳（メタデータ） (2022-12-14T23:57:46Z) - Machine learning-accelerated chemistry modeling of protoplanetary disks [0.0]
我々は、熱化学モデリングコードを用いて、原始惑星系円盤模型の多様な個体群を生成する。
我々は、他のディスクモデルの化学を瞬時に予測するために、K-アネレスト近傍の回帰器を訓練した。
論文 参考訳（メタデータ） (2022-09-27T12:42:13Z) - Learning inducing points and uncertainty on molecular data by scalable
variational Gaussian processes [0.0]
分子記述子空間における誘導点の変動学習は、2つの分子動力学データセット上でのエネルギーと原子力の予測を改善することを示す。
本研究は大規模分子結晶系に拡張し, データセットのスパース表現を効率よく学習することにより, 原子間力の予測に優れた変動GPモデルを示す。
論文 参考訳（メタデータ） (2022-07-16T10:41:41Z) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Visualizing spinon Fermi surfaces with time-dependent spectroscopy [62.997667081978825]
固体系において確立されたツールである時間依存性光電子分光法を低温原子量子シミュレーターに応用することを提案する。
1次元の$t-J$モデルの正確な対角化シミュレーションで、スピノンが非占有状態の効率的なバンド構造に出現し始めることを示す。
ポンプパルス後のスペクトル関数の依存性はスピノン間の集団的相互作用を明らかにする。
論文 参考訳（メタデータ） (2021-05-27T18:00:02Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳（メタデータ） (2020-02-24T10:28:41Z)
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。