論文の概要: FAENet: Frame Averaging Equivariant GNN for Materials Modeling
- arxiv url: http://arxiv.org/abs/2305.05577v1
- Date: Fri, 28 Apr 2023 21:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-14 20:56:37.967416
- Title: FAENet: Frame Averaging Equivariant GNN for Materials Modeling
- Title(参考訳): FAENet:材料モデリングのためのフレーム平均等価GNN
- Authors: Alexandre Duval, Victor Schmidt, Alex Hernandez Garcia, Santiago
Miret, Fragkiskos D. Malliaros, Yoshua Bengio, David Rolnick
- Abstract要約: データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
- 参考スコア(独自算出の注目度): 123.19473575281357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Applications of machine learning techniques for materials modeling typically
involve functions known to be equivariant or invariant to specific symmetries.
While graph neural networks (GNNs) have proven successful in such tasks, they
enforce symmetries via the model architecture, which often reduces their
expressivity, scalability and comprehensibility. In this paper, we introduce
(1) a flexible framework relying on stochastic frame-averaging (SFA) to make
any model E(3)-equivariant or invariant through data transformations. (2)
FAENet: a simple, fast and expressive GNN, optimized for SFA, that processes
geometric information without any symmetrypreserving design constraints. We
prove the validity of our method theoretically and empirically demonstrate its
superior accuracy and computational scalability in materials modeling on the
OC20 dataset (S2EF, IS2RE) as well as common molecular modeling tasks (QM9,
QM7-X). A package implementation is available at https://faenet.readthedocs.io.
- Abstract(参考訳): 材料モデリングへの機械学習技術の応用は、典型的には特定の対称性に同変あるいは不変であることが知られている関数を含む。
グラフニューラルネットワーク(GNN)はそのようなタスクで成功したが、モデルアーキテクチャを通じて対称性を強制し、表現性、スケーラビリティ、理解性を低下させる。
本稿では,(1)確率的フレーム・アラグリング(SFA)に依存したフレキシブルなフレームワークを導入し,データ変換による任意のモデルE(3)-同変や不変性を実現する。
2) FAENet: SFAに最適化されたシンプルで高速で表現力のあるGNN。
OC20データセット(S2EF, IS2RE)と共通分子モデリングタスク(QM9, QM7-X)の材料モデリングにおいて, 提案手法の有効性を理論的および実験的に証明した。
パッケージ実装はhttps://faenet.readthedocs.ioで利用可能である。
関連論文リスト
- Universal Neural Functionals [67.80283995795985]
多くの現代の機械学習タスクでは、ウェイトスペース機能を処理することが難しい問題である。
最近の研究は、単純なフィードフォワードネットワークの置換対称性に同値な有望な重み空間モデルを開発した。
本研究は,任意の重み空間に対する置換同変モデルを自動的に構築するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-07T20:12:27Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Group-Invariant Quantum Machine Learning [0.0]
量子機械学習(QML)モデルは、量子状態に符号化されたデータから学習することを目的としている。
群不変モデルは、データセットに関連する対称性群 $mathfrakG$ の任意の要素の作用の下で不変な出力を生成する。
本稿では,$mathfrakG$-invariantモデルの設計の基盤となる理論的結果について述べる。
論文 参考訳(メタデータ) (2022-05-04T18:04:32Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳(メタデータ) (2022-03-15T19:08:13Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。
FAモデルが最大表現力を持つことを示す。
我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
論文 参考訳(メタデータ) (2021-10-07T11:05:23Z) - Isometric Transformation Invariant and Equivariant Graph Convolutional
Networks [5.249805590164902]
我々は、IsoGCNsと呼ばれるグラフ畳み込みネットワークに基づく変換不変および同変モデルのセットを提案する。
提案モデルは,幾何学的および物理シミュレーションデータに関連するタスクの最先端手法と比較して,競争力のある性能を示す。
論文 参考訳(メタデータ) (2020-05-13T13:44:44Z)
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。