論文の概要: Physics-inspired Equivariant Descriptors of Non-bonded Interactions
- arxiv url: http://arxiv.org/abs/2308.13208v1
- Date: Fri, 25 Aug 2023 07:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 14:50:29.395602
- Title: Physics-inspired Equivariant Descriptors of Non-bonded Interactions
- Title（参考訳）: 非結合相互作用の物理に触発された同変ディスクリプタ
- Authors: Kevin K. Huguenin-Dumittan, Philip Loche, Ni Haoran and Michele
Ceriotti
- Abstract要約: LODE(Long-Distance equivariant)フレームワークは、非結合ポテンシャルに似た原子環境の局所的な記述子を生成するために提案されている。
我々は、LODE形式は一般化多重極展開の観点で直接物理的解釈に順応可能であることを示す。
このアプローチは、異なるタイプの非結合相互作用を組み込むための実践的なスキームと、物理的およびデータ関連の考慮事項の相互作用を研究するための枠組みを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing machine-learning schemes applied to atomic-scale
simulations rely on a local description of the geometry of a structure, and
struggle to model effects that are driven by long-range physical interactions.
Efforts to overcome these limitations have focused on the direct incorporation
of electrostatics, which is the most prominent effect, often relying on
architectures that mirror the functional form of explicit physical models.
Including other forms of non-bonded interactions, or predicting properties
other than the interatomic potential, requires ad hoc modifications. We propose
an alternative approach that extends the long-distance equivariant (LODE)
framework to generate local descriptors of an atomic environment that resemble
non-bonded potentials with arbitrary asymptotic behaviors, ranging from
point-charge electrostatics to dispersion forces. We show that the LODE
formalism is amenable to a direct physical interpretation in terms of a
generalized multipole expansion, that simplifies its implementation and reduces
the number of descriptors needed to capture a given asymptotic behavior. These
generalized LODE features provide improved extrapolation capabilities when
trained on structures dominated by a given asymptotic behavior, but do not help
in capturing the wildly different energy scales that are relevant for a more
heterogeneous data set. This approach provides a practical scheme to
incorporate different types of non-bonded interactions, and a framework to
investigate the interplay of physical and data-related considerations that
underlie this challenging modeling problem.
- Abstract（参考訳）: 原子スケールシミュレーションに適用される既存の機械学習のスキームのほとんどは、構造の幾何学の局所的な記述に依存しており、長距離の物理的相互作用によって引き起こされる効果のモデル化に苦慮している。
これらの限界を克服する努力は静電力学の直接的組み入れに焦点を当てており、これは最も顕著な効果であり、しばしば明示的な物理モデルの機能形式を反映するアーキテクチャに依存している。
非結合相互作用の他の形態、または原子間ポテンシャル以外の性質を予測するには、アドホックな修正が必要である。
本稿では, 遠距離同変(LODE)フレームワークを拡張して, 点電荷静電から分散力まで, 任意の漸近挙動を持つ非結合ポテンシャルに類似した原子環境の局所的記述子を生成する方法を提案する。
ローデ形式論は、その実装を単純化し、与えられた漸近的な振る舞いを捉えるのに必要な記述子数を減らす一般化された多極展開の観点で、直接の物理的解釈に適していることを示す。
これらの一般化されたLODE特徴は、与えられた漸近的な振る舞いに支配される構造で訓練された場合、外挿能力を改善するが、より異質なデータセットに関係のある、非常に異なるエネルギースケールを捉えるのに役立ちません。
このアプローチは、異なるタイプの非結合相互作用を組み込むための実践的なスキームと、この困難なモデリング問題の根底にある物理的およびデータ関連の考慮の相互作用を研究するためのフレームワークを提供する。
関連論文リスト
- Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。
深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。
本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文 参考訳（メタデータ） (2024-10-24T03:38:51Z) - Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [1.1016723046079784]
原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。
提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。
MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
論文 参考訳（メタデータ） (2024-04-16T17:24:22Z) - A quantum inspired approach to learning dynamical laws from
data---block-sparsity and gauge-mediated weight sharing [0.0]
複雑系の動的法則を復元するスケーラブルで数値的に堅牢な手法を提案する。
我々は、量子多体系における同様のアプローチにインスパイアされた、動的法則のブロックスパーステンソルトレイン表現を使用する。
3つの1次元システム上で数値的に手法の性能を示す。
論文 参考訳（メタデータ） (2022-08-02T17:00:26Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳（メタデータ） (2022-02-15T19:00:09Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳（メタデータ） (2021-08-04T07:07:47Z) - Circuit quantum electrodynamics (cQED) with modular quasi-lumped models [0.23624125155742057]
方法は、量子デバイスをコンパクトなラッピングまたは準分散セルに分割する。
本手法を大規模かつ最先端の超伝導量子プロセッサで実験的に検証する。
論文 参考訳（メタデータ） (2021-03-18T16:03:37Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Multi-scale approach for the prediction of atomic scale properties [0.0]
局所性は、量子力学的観測可能性を予測する機械学習スキームの下にある。
これらのアプローチの主な欠点の1つは、物理的効果を捉えることができないことである。
我々は、同じフレームワークのローカル情報と非ローカル情報を組み合わせたマルチスケールスキームの構築方法を示す。
論文 参考訳（メタデータ） (2020-08-27T14:01:00Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z) - Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文 参考訳（メタデータ） (2020-05-27T03:51:57Z)
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。