論文の概要: Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics
- arxiv url: http://arxiv.org/abs/2306.02015v1
- Date: Sat, 3 Jun 2023 06:19:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 20:45:05.096884
- Title: Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics
- Title（参考訳）: 機械学習による超高速スピンダイナミクスの実験的設計とパラメータ推定
- Authors: Zhantao Chen, Cheng Peng, Alexander N. Petsch, Sathya R. Chitturi,
Alana Okullo, Sugata Chowdhury, Chun Hong Yoon, Joshua J. Turner
- Abstract要約: 機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
- 参考スコア（独自算出の注目度）: 54.172707311728885
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advanced experimental measurements are crucial for driving theoretical
developments and unveiling novel phenomena in condensed matter and material
physics, which often suffer from the scarcity of facility resources and
increasing complexities. To address the limitations, we introduce a methodology
that combines machine learning with Bayesian optimal experimental design
(BOED), exemplified with x-ray photon fluctuation spectroscopy (XPFS)
measurements for spin fluctuations. Our method employs a neural network model
for large-scale spin dynamics simulations for precise distribution and utility
calculations in BOED. The capability of automatic differentiation from the
neural network model is further leveraged for more robust and accurate
parameter estimation. Our numerical benchmarks demonstrate the superior
performance of our method in guiding XPFS experiments, predicting model
parameters, and yielding more informative measurements within limited
experimental time. Although focusing on XPFS and spin fluctuations, our method
can be adapted to other experiments, facilitating more efficient data
collection and accelerating scientific discoveries.
- Abstract（参考訳）: 先進的な実験的測定は、しばしば施設資源の不足と複雑さの増加に悩まされる凝縮物質や物質物理学における理論的な発展と新しい現象を明らかにするために重要である。
この制約に対処するために,機械学習とベイズ最適実験設計(BOED)を組み合わせて,スピン揺らぎのX線光子変動分光法(XPFS)を実証する手法を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
ニューラルネットワークモデルから自動的に微分できる能力は、より堅牢で正確なパラメータ推定のためにさらに活用される。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
XPFSやスピン揺らぎに重点を置いているが、この手法は他の実験にも適用でき、より効率的なデータ収集と科学的な発見の加速が図れる。
関連論文リスト
- Reliable edge machine learning hardware for scientific applications [34.87898436984149]
極端なデータレートの科学実験は、効率的なMLエッジ処理を必要とする大量のデータを生成する。
このような厳密なレイテンシ、リソース、パワー、および領域要件の下で、科学的なエッジで信頼できるアルゴリズムを開発し、検証するためのアプローチについて議論する。
論文 参考訳（メタデータ） (2024-06-27T20:45:08Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z) - 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) - Trustworthiness of Laser-Induced Breakdown Spectroscopy Predictions via
Simulation-based Synthetic Data Augmentation and Multitask Learning [4.633997895806144]
レーザ誘起分解分光法を用いてスペクトルデータの定量的解析を行う。
我々は、利用可能なトレーニングデータの小さなサイズと、未知のデータに対する推論中の予測の検証に対処する。
論文 参考訳（メタデータ） (2022-10-07T18:00:09Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Cognitive simulation models for inertial confinement fusion: Combining
simulation and experimental data [0.0]
研究者は、高性能な爆発を求めて設計空間を探索するためにコンピュータシミュレーションに大きく依存しています。
より効果的な設計と調査のために、シミュレーションは過去の実験データからの入力を必要とする。
本稿では,シミュレーションと実験データを共通の予測モデルに組み合わせた認知シミュレーション手法について述べる。
論文 参考訳（メタデータ） (2021-03-19T02:00:14Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Exploring Sensitivity of ICF Outputs to Design Parameters in Experiments
Using Machine Learning [0.021987601456703473]
慣性閉じ込め核融合(ICF)における持続可能な燃焼プラットフォームの構築には、重要な設計変更が衝撃性能にもたらす物理的プロセスと影響を理解する必要がある。
本稿では、機械学習(ML)の発達と、MLの特徴重要度/感度分析の手法を活用し、専門家の判断だけでは処理が難しい方法で複雑な関係を識別する。
RFモデルは、ICF実験データを高精度に学習し、予測できることを示すとともに、様々なICF設計構成のための様々な制御可能な設計インプットの物理的意義についての洞察を提供する特徴的重要度指標を抽出する。
論文 参考訳（メタデータ） (2020-10-08T20:54:23Z)
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。