論文の概要: Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning
- arxiv url: http://arxiv.org/abs/2308.13096v3
- Date: Wed, 1 May 2024 13:16:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 20:30:46.667416
- Title: Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning
- Title(参考訳): 不確実性量子化によるマルチミリオン原子系の電子構造予測
- Authors: Shashank Pathrudkar, Ponkrshnan Thiagarajan, Shivang Agarwal, Amartya S. Banerjee, Susanta Ghosh,
- Abstract要約: 基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。
しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。
ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
- 参考スコア(独自算出の注目度): 5.4875371069660925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ground state electron density -- obtainable using Kohn-Sham Density Functional Theory (KS-DFT) simulations -- contains a wealth of material information, making its prediction via machine learning (ML) models attractive. However, the computational expense of KS-DFT scales cubically with system size which tends to stymie training data generation, making it difficult to develop quantifiably accurate ML models that are applicable across many scales and system configurations. Here, we address this fundamental challenge by employing transfer learning to leverage the multi-scale nature of the training data, while comprehensively sampling system configurations using thermalization. Our ML models are less reliant on heuristics, and being based on Bayesian neural networks, enable uncertainty quantification. We show that our models incur significantly lower data generation costs while allowing confident -- and when verifiable, accurate -- predictions for a wide variety of bulk systems well beyond training, including systems with defects, different alloy compositions, and at unprecedented, multi-million-atom scales. Moreover, such predictions can be carried out using only modest computational resources.
- Abstract(参考訳): Kohn-Sham Density Functional Theory(KS-DFT)シミュレーションで得られる基底状態電子密度は、豊富な物質情報を含み、機械学習(ML)モデルによる予測を魅力的にしている。
しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと立方体的にスケールするので、多くのスケールやシステム構成に適用可能な、定量的に正確なMLモデルを開発することは困難である。
そこで本研究では, 熱処理を用いたシステム構成を網羅的にサンプリングしながら, 伝達学習を用いて, トレーニングデータのマルチスケールな性質を活用することによる, この根本的な課題に対処する。
我々のMLモデルはヒューリスティックに頼らず、ベイズニューラルネットワークに基づいて不確実な定量化を実現している。
我々のモデルはデータ生成コストを著しく低減し、信頼性と正確性を検証すれば、欠陥のあるシステム、異なる合金組成、前例のない数百万の原子スケールを含む、トレーニング以上の多様なバルクシステムの予測を可能にします。
さらに、このような予測は、控えめな計算資源のみを用いて行うことができる。
関連論文リスト
- Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。
本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-12-08T21:56:19Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Machine learning predictions for local electronic properties of
disordered correlated electron systems [2.984639473379942]
局所電子特性を予測するため,スケーラブルな機械学習(ML)モデルを提案する。
我々のアプローチは多電子系の局所性原理、すなわち近視性の性質に基づいている。
本研究は,相関電子系のマルチスケールモデリングにおけるML法の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2022-04-12T17:28:51Z) - Prediction of the electron density of states for crystalline compounds
with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。
本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
論文 参考訳(メタデータ) (2022-01-20T18:28:22Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - 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) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳(メタデータ) (2021-02-15T19:56:48Z) - GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。
GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
論文 参考訳(メタデータ) (2020-06-26T05:47:45Z) - Wavelet Scattering Networks for Atomistic Systems with Extrapolation of
Material Properties [7.555136209115944]
物質科学における機械学習の夢は、モデルが原子系の基礎となる物理学を学ぶことである。
本研究では、トレーニングセットに含まれていないプロパティに対する$textLi_alphatextSi$ Energy predictorの一般化性をテストする。
論文 参考訳(メタデータ) (2020-06-01T20:36:17Z)
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。