論文の概要: Accurate melting point prediction through autonomous physics-informed
learning
- arxiv url: http://arxiv.org/abs/2306.13345v2
- Date: Fri, 13 Oct 2023 13:34:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 01:36:05.983323
- Title: Accurate melting point prediction through autonomous physics-informed
learning
- Title(参考訳): 自律的物理情報学習による正確な融点予測
- Authors: Olga Klimanova, Timofei Miryashkin, Alexander Shapeev
- Abstract要約: NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
- 参考スコア(独自算出の注目度): 52.217497897835344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an algorithm for computing melting points by autonomously learning
from coexistence simulations in the NPT ensemble. Given the interatomic
interaction model, the method makes decisions regarding the number of atoms and
temperature at which to conduct simulations, and based on the collected data
predicts the melting point along with the uncertainty, which can be
systematically improved with more data. We demonstrate how incorporating
physical models of the solid-liquid coexistence evolution enhances the
algorithm's accuracy and enables optimal decision-making to effectively reduce
predictive uncertainty. To validate our approach, we compare the results of 20
melting point calculations from the literature to the results of our
calculations, all conducted with same interatomic potentials. Remarkably, we
observe significant deviations in about one-third of the cases, underscoring
the need for accurate and reliable algorithms for materials property
calculations.
- Abstract(参考訳): NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
原子間相互作用モデルに基づき、シミュレーションを行う原子の数と温度について決定を行い、収集されたデータに基づいて不確実性とともに融点を予測し、より多くのデータで体系的に改善することができる。
固液共存進化の物理モデルを統合することにより,アルゴリズムの精度が向上し,最適決定が予測の不確実性を効果的に低減できることを示す。
本手法の有効性を検証するため,20個の融点計算結果と計算結果を比較した。
顕著な点として,約3分の1のケースにおいて,材料資産計算の正確かつ信頼性の高いアルゴリズムの必要性が強調されている。
関連論文リスト
- Network EM Algorithm for Gaussian Mixture Model in Decentralized Federated Learning [1.4549461207028445]
ガウス混合モデルに対する様々なネットワーク期待-最大化(EM)アルゴリズムについて検討する。
モーメント・ネットワークEM (MNEM) アルゴリズムを導入し, モーメント・パラメータを用いて現在の推定値と過去の推定値の両方からの情報を組み合わせる。
また,部分ラベル付きデータを利用する半教師付きMNEMアルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-11-08T14:25:46Z) - Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。
我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。
提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
論文 参考訳(メタデータ) (2024-06-20T15:25:13Z) - Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。
提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。
構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文 参考訳(メタデータ) (2024-06-12T10:51:00Z) - Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。
開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
論文 参考訳(メタデータ) (2023-09-03T20:57:10Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳(メタデータ) (2022-12-06T12:42:11Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities [4.2572103161049055]
本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
論文 参考訳(メタデータ) (2021-06-04T08:57:46Z) - Uncertainty estimation for molecular dynamics and sampling [0.0]
機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。
モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。
本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
論文 参考訳(メタデータ) (2020-11-10T00:07:50Z)
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。