論文の概要: Fully Convolutional Generative Machine Learning Method for Accelerating
Non-Equilibrium Greens Function Simulations
- arxiv url: http://arxiv.org/abs/2309.09374v1
- Date: Sun, 17 Sep 2023 20:43:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:51:01.557028
- Title: Fully Convolutional Generative Machine Learning Method for Accelerating
Non-Equilibrium Greens Function Simulations
- Title(参考訳): 完全畳み込み生成型機械学習による非平衡グリーン関数シミュレーションの高速化
- Authors: Preslav Aleksandrov, Ali Rezaei, Nikolas Xeni, Tapas Dutta, Asen
Asenov, Vihar Georgiev
- Abstract要約: 本研究は,機械学習とデバイスモデリングシミュレーションを組み合わせた新しいシミュレーション手法について述べる。
我々は新しいシミュレーション手法ML-NEGFを命名し、NESSと呼ばれる社内シミュレータに実装した。
- 参考スコア(独自算出の注目度): 0.0879626117219674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work describes a novel simulation approach that combines machine
learning and device modelling simulations. The device simulations are based on
the quantum mechanical non-equilibrium Greens function (NEGF) approach and the
machine learning method is an extension to a convolutional generative network.
We have named our new simulation approach ML-NEGF and we have implemented it in
our in-house simulator called NESS (nano-electronics simulations software). The
reported results demonstrate the improved convergence speed of the ML-NEGF
method in comparison to the standard NEGF approach. The trained ML model
effectively learns the underlying physics of nano-sheet transistor behaviour,
resulting in faster convergence of the coupled Poisson-NEGF simulations.
Quantitatively, our ML- NEGF approach achieves an average convergence
acceleration of 60%, substantially reducing the computational time while
maintaining the same accuracy.
- Abstract(参考訳): 本稿では,機械学習とデバイスモデリングシミュレーションを組み合わせた新しいシミュレーション手法について述べる。
デバイスシミュレーションは、量子力学的非平衡グリーンズ関数(NEGF)アプローチに基づいており、機械学習手法は畳み込み生成ネットワークの拡張である。
我々は、新しいシミュレーション手法ML-NEGFを命名し、NESS(nano-electronics Simulations software)と呼ばれる社内シミュレータに実装した。
その結果,ML-NEGF法では標準NEGF法と比較して収束速度が向上した。
訓練されたMLモデルは、ナノシートトランジスタの挙動の基礎となる物理を効果的に学習し、結合されたPoisson-NEGFシミュレーションを高速に収束させる。
定量的に,我々のML-NEGF手法は平均収束加速度60%を実現し,同じ精度を維持しながら計算時間を著しく短縮する。
関連論文リスト
- Machine Learning Optimized Approach for Parameter Selection in MESHFREE Simulations [0.0]
従来のメッシュベースのアプローチに代わる魅力的な代替手段として、メッシュフリーシミュレーション手法が登場している。
機械学習(ML)とFraunhoferのMESHFREEソフトウェアを組み合わせた研究の概要について概説する。
本稿では,MESHFREEシミュレーションデータに能動的学習,回帰木を用いたML最適化手法を提案する。
論文 参考訳(メタデータ) (2024-03-20T15:29:59Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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) - Learning to Simulate: Generative Metamodeling via Quantile Regression [2.2518304637809714]
我々は「シミュレーターの高速シミュレータ」を構築することを目的とした、生成メタモデリングと呼ばれる新しいメタモデリング概念を提案する。
一度構築すると、生成メタモデルは入力が特定されるとすぐに大量のランダム出力を生成することができる。
本稿では,QRGMM(quantile-regression-based generative metamodeling)という新しいアルゴリズムを提案し,その収束率と収束率について検討する。
論文 参考訳(メタデータ) (2023-11-29T16:46:24Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-04T01:47:37Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳(メタデータ) (2022-07-12T17:07:46Z) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳(メタデータ) (2022-07-12T13:06:06Z) - 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) - AD-NEGF: An End-to-End Differentiable Quantum Transport Simulator for
Sensitivity Analysis and Inverse Problems [14.955199623904157]
我々は、量子輸送シミュレーションのための最初のエンドツーエンド微分可能なNEGFモデルについて、最もよく知るためにAD-NEGFを提案する。
我々はPyTorchで数値処理全体を実装し、暗黙の層技術でカスタマイズされた後方パスを設計する。
提案手法は, 物理量差分計算, 経験的パラメータフィッティング, ドーピング最適化に応用できる。
論文 参考訳(メタデータ) (2022-02-10T15:35:48Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Achieving 100X faster simulations of complex biological phenomena by
coupling ML to HPC ensembles [47.44377051031385]
ML駆動HPCシミュレーションシナリオのプロトタイプのためのツールであるDeepDriveMDを紹介します。
ML駆動のアンサンブルベースのアプリケーションの科学的性能の向上を定量化するために使用します。
論文 参考訳(メタデータ) (2021-04-10T15:52:39Z) - Integrating Machine Learning with HPC-driven Simulations for Enhanced
Student Learning [0.0]
シミュレーション出力を生成するためのHPC駆動型シミュレーションとMLサロゲート手法の両方をサポートするWebアプリケーションを開発した。
授業内フィードバックと調査を通じて評価した結果,ML強化ツールは動的かつ応答性のあるシミュレーション環境を提供することがわかった。
論文 参考訳(メタデータ) (2020-08-24T22:48:21Z)
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。