論文の概要: Chemellia: An Ecosystem for Atomistic Scientific Machine Learning
- arxiv url: http://arxiv.org/abs/2305.12010v1
- Date: Fri, 19 May 2023 21:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 01:24:52.947903
- Title: Chemellia: An Ecosystem for Atomistic Scientific Machine Learning
- Title（参考訳）: Chemellia: 原子論的機械学習のためのエコシステム
- Authors: Anant Thazhemadam, Dhairya Gandhi, Venkatasubramanian Viswanathan,
Rachel C. Kurchin
- Abstract要約: Chemelliaは、Juliaプログラミング言語における原子論的機械学習のためのオープンソースのフレームワークである。
Chemelliaは、既存のインターフェースを利用し、可能な限り車輪の再発明を避けるように設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Chemellia is an open-source framework for atomistic machine learning in the
Julia programming language. The framework takes advantage of Julia's high speed
as well as the ability to share and reuse code and interfaces through the
paradigm of multiple dispatch. Chemellia is designed to make use of existing
interfaces and avoid ``reinventing the wheel'' wherever possible. A key aspect
of the Chemellia ecosystem is the ChemistryFeaturization interface for defining
and encoding features -- it is designed to maximize interoperability between
featurization schemes and elements thereof, to maintain provenance of encoded
features, and to ensure easy decodability and reconfigurability to enable
feature engineering experiments. This embodies the overall design principles of
the Chemellia ecosystem: separation of concerns, interoperability, and
transparency. We illustrate these principles by discussing the implementation
of crystal graph convolutional neural networks for material property
prediction.
- Abstract（参考訳）: Chemelliaは、Juliaプログラミング言語における原子論的機械学習のためのオープンソースのフレームワークである。
このフレームワークは、Juliaの高速性と、複数ディスパッチのパラダイムによるコードとインターフェースの共有と再利用の能力を活用している。
Chemelliaは既存のインターフェースを活用して,‘車輪の再発明’を回避するように設計されている。
chemelliaエコシステムの重要な側面は、特徴の定義とエンコーディングのためのケミカルフェアチュアライズインターフェースである -- フェアチュアライズスキームとそれらの要素間の相互運用性を最大化し、エンコードされた特徴の証明性を維持し、機能エンジニアリング実験を可能にするために、容易にデコダビリティと再構成性を確保するように設計されている。
これは、関心の分離、相互運用性、透明性という、chemelliaエコシステムの全体的な設計原則を具現化している。
本稿では,物質特性予測のための結晶グラフ畳み込みニューラルネットワークの実装について論じる。
関連論文リスト
- pyhgf: A neural network library for predictive coding [0.2150989251218736]
texttpyhgfは、予測コーディングのための動的ネットワークの作成、操作、サンプリングのためのPythonパッケージである。
ネットワークコンポーネントを透過的でモジュール的で、拡張可能な変数としてメッセージパッシングステップに囲み込むことで、他のフレームワークよりも改善します。
コア変数の透明性は、自己組織化の原則を活用する推論プロセスにも変換できる。
論文 参考訳（メタデータ） (2024-10-11T19:21:38Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - ALICE: Combining Feature Selection and Inter-Rater Agreeability for Machine Learning Insights [0.0]
本稿では,新たなPythonライブラリであるAutomated Learning for Insightful Comparison and Evaluation(ALICE)を提案する。
これは、ブラックボックス機械学習モデルに対する洞察を求めるために、従来の特徴選択と、ユーザフレンドリなシンプルな方法で、ラタ間適合性の概念を融合する。
このフレームワークは、MLにおける解釈可能性の主要な概念の概要に続いて提案されている。
論文 参考訳（メタデータ） (2024-04-13T17:34:58Z) - Constructing Phylogenetic Networks via Cherry Picking and Machine
Learning [0.1045050906735615]
既存の手法は計算コストが高く、少数の系統樹のみを扱うか、厳格に制限されたネットワーククラスに制限される。
本稿では,最近導入されたチェリーピッキングの理論的枠組みを適用し,各入力木を含むネットワークを生成することが保証される効率のクラスを設計する。
また、複数回実行した場合に非常に効果的であることが証明された、単純で高速なランダム化も提案する。
論文 参考訳（メタデータ） (2023-03-31T15:04:42Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳（メタデータ） (2022-05-22T07:11:57Z) - Sionna: An Open-Source Library for Next-Generation Physical Layer
Research [64.77840557164266]
Sionnaは、レイカーネルに基づいたリンクレベルシミュレーションのためのGPUアクセラレーションされたオープンソースライブラリである。
Sionnaは、ベンチマークやエンドツーエンドのパフォーマンス評価に使用できる、注意深くテストされた最先端のアルゴリズムを幅広く実装している。
論文 参考訳（メタデータ） (2022-03-22T16:31:44Z) - When Transformer Meets Robotic Grasping: Exploits Context for Efficient
Grasp Detection [1.7013938542585925]
本稿では,ロボットグリップ検出のためのトランスフォーマーアーキテクチャTF-Graspを提案する。
フレームワークには2つの精巧な設計があり、視覚的な把握作業に適している。
TF-Graspは、最先端の把握畳み込みモデルよりも優れた結果が得られる。
論文 参考訳（メタデータ） (2022-02-24T05:47:25Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Reward Propagation Using Graph Convolutional Networks [61.32891095232801]
本稿では,グラフ表現学習のアイデアを活用した潜在機能学習フレームワークを提案する。
我々のアプローチは、強化学習の確率論的推論と組み合わせて、重要な要素として使用するグラフ畳み込みネットワークに依存している。
論文 参考訳（メタデータ） (2020-10-06T04:38:16Z) - Orpheus: A New Deep Learning Framework for Easy Deployment and
Evaluation of Edge Inference [0.0]
Orpheusは推論最適化を簡単にプロトタイピング、デプロイ、評価するための新しいディープラーニングフレームワークである。
最小限の依存関係と、他のサードパーティシステムを統合するためのシンプルなプロセスが特徴だ。
論文 参考訳（メタデータ） (2020-07-24T14:54:40Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。