論文の概要: Enhanced sampling of Crystal Nucleation with Graph Representation Learnt Variables

• arxiv url: http://arxiv.org/abs/2310.07927v1
• Date: Wed, 11 Oct 2023 22:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-15 11:32:28.743733
• Title: Enhanced sampling of Crystal Nucleation with Graph Representation Learnt Variables
• Title（参考訳）: グラフ表現学習変数を用いた結晶核の高次サンプリング
• Authors: Ziyue Zou and Pratyush Tiwary
• Abstract要約: 低次元変数を導出するオートエンコーダを用いたグラフニューラルネットワークに基づく学習手法を提案する。 これらの変数は、状態から状態への遷移と信頼できる熱力学的重みを観察するために強化されたサンプリングでバイアスされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we present a graph neural network-based learning approach using an autoencoder setup to derive low-dimensional variables from features observed in experimental crystal structures. These variables are then biased in enhanced sampling to observe state-to-state transitions and reliable thermodynamic weights. Our approach uses simple convolution and pooling methods. To verify the effectiveness of our protocol, we examined the nucleation of various allotropes and polymorphs of iron and glycine from their molten states. Our graph latent variables when biased in well-tempered metadynamics consistently show transitions between states and achieve accurate free energy calculations in agreement with experiments, both of which are indicators of dependable sampling. This underscores the strength and promise of our graph neural net variables for improved sampling. The protocol shown here should be applicable for other systems and with other sampling methods.
• Abstract（参考訳）: 本研究では,実験結晶構造から低次元変数を導出するオートエンコーダを用いたグラフニューラルネットワークに基づく学習手法を提案する。 これらの変数は、状態から状態への遷移と信頼できる熱力学的重みを観察するために強化されたサンプリングでバイアスされる。 我々のアプローチは単純な畳み込みとプーリング手法を用いる。 本プロトコルの有効性を検証するため, 溶融状態からの各種アロトロピーおよび鉄およびグリシンのポリモルフィックの核生成を検討した。 我々のグラフ潜在変数は, 状態間の遷移を一貫して示し, 信頼可能なサンプリングの指標である実験と一致して, 正確な自由エネルギー計算を実現する。 これは、サンプリングを改善するためのグラフニューラルネットワーク変数の強みと将来性を強調するものです。 ここで示すプロトコルは、他のシステムや他のサンプリング方法にも適用できる。

関連論文リスト

• Learning Collective Variables with Synthetic Data Augmentation through Physics-Inspired Geodesic Interpolation [1.4972659820929493]
  分子動力学シミュレーションでは、タンパク質の折り畳みのようなまれな事象は、通常、強化されたサンプリング技術を用いて研究される。 本研究では,タンパク質の折り畳み遷移に類似した測地線を生成するために物理に着想を得た指標を用いたシミュレーションフリーなデータ拡張戦略を提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:35:02Z)
• Learning and Controlling Silicon Dopant Transitions in Graphene using Scanning Transmission Electron Microscopy [58.51812955462815]
  単層炭素原子上のシリコン原子の遷移ダイナミクスを機械学習で決定する手法を提案する。 データサンプルは、ニューラルネットワークをトレーニングして遷移確率を予測するために、シンボリック表現を生成するために処理され、フィルタリングされる。 これらの学習された遷移ダイナミクスを利用すれば、格子全体に1つのシリコン原子を誘導し、あらかじめ決定された目標目的地へと導くことができる。
  論文  参考訳（メタデータ） (2023-11-21T21:51:00Z)
• Generative Diffusion From An Action Principle [0.0]
  スコアマッチングは、物理でよく用いられるようなアクション原理から導出できることを示す。 この洞察を用いて、異なる拡散モデルのクラス間の関係を実証する。
  論文  参考訳（メタデータ） (2023-10-06T18:00:00Z)
• On the Equivalence of Graph Convolution and Mixup [70.0121263465133]
  本稿では,グラフ畳み込みと混合手法の関係について検討する。 2つの穏やかな条件の下では、グラフの畳み込みはMixupの特別な形式と見なすことができる。 グラフ畳み込みネットワーク(GCN)と単純化グラフ畳み込み(SGC)をミックスアップの形で表現できることを証明し、数学的にこの等価性を確立する。
  論文  参考訳（メタデータ） (2023-09-29T23:09:54Z)
• Bayesian Inference for Jump-Diffusion Approximations of Biochemical Reaction Networks [26.744964200606784]
  マルコフ連鎖モンテカルロに基づく抽出可能なベイズ推定アルゴリズムを開発した。 このアルゴリズムは、部分的に観察されたマルチスケールの生死過程の例に対して数値的に評価される。
  論文  参考訳（メタデータ） (2023-04-13T14:57:22Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
  本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。 我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。 我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
  論文  参考訳（メタデータ） (2021-10-21T14:47:06Z)
• Topographic VAEs learn Equivariant Capsules [84.33745072274942]
  本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。 このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。 我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
  論文  参考訳（メタデータ） (2021-09-03T09:25:57Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Learning Exponential Family Graphical Models with Latent Variables using Regularized Conditional Likelihood [10.21814909876358]
  遅延可変グラフィカルモデリングのための正規化条件付き確率に基づく新しい凸緩和フレームワークを提案する。 我々は、実データだけでなく、合成に関する数値実験を通じて、我々のフレームワークの有用性と柔軟性を実証する。
  論文  参考訳（メタデータ） (2020-10-19T11:16:26Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。