論文の概要: Physics-inspired Equivariant Descriptors of Non-bonded Interactions

• arxiv url: http://arxiv.org/abs/2308.13208v2
• Date: Tue, 3 Oct 2023 18:18:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 21:06:20.638033
• 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: 本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
• 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: One essential ingredient in many machine learning (ML) based methods for atomistic modeling of materials and molecules is the use of locality. While allowing better system-size scaling, this systematically neglects long-range (LR) effects, such as electrostatics or dispersion interaction. We present an extension of the long distance equivariant (LODE) framework that can handle diverse LR interactions in a consistent way, and seamlessly integrates with preexisting methods by building new sets of atom centered features. We provide a direct physical interpretation of these using the multipole expansion, which allows for simpler and more efficient implementations. The framework is applied to simple toy systems as proof of concept, and a heterogeneous set of molecular dimers to push the method to its limits. By generalizing LODE to arbitrary asymptotic behaviors, we provide a coherent approach to treat arbitrary two- and many-body non-bonded interactions in the data-driven modeling of matter.
• Abstract（参考訳）: 多くの機械学習(ML)に基づく物質や分子の原子論的モデリングにおける重要な要素は局所性の利用である。 システム規模のスケーリングを改善する一方で、静電や分散相互作用のような長距離(lr)効果を体系的に無視する。 本稿では,多種多様なlrインタラクションを一貫した方法で処理可能なlong distance equivariant(lode)フレームワークを拡張し,新しいatom中心の機能セットを構築することにより,既存の手法とシームレスに統合する。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。 このフレームワークは概念の証明として単純な玩具システムに適用され、その手法を限界まで押し上げるために不均一な分子ダイマーのセットである。 LODEを任意の漸近的振る舞いに一般化することにより、物質のデータ駆動モデリングにおいて、任意の2体および多体非結合相互作用を扱うコヒーレントなアプローチを提供する。

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。