Fugu-MT 論文翻訳(概要): The Role of Reference Points in Machine-Learned Atomistic Simulation Models

論文の概要: The Role of Reference Points in Machine-Learned Atomistic Simulation Models

arxiv url: http://arxiv.org/abs/2310.18552v1
Date: Sat, 28 Oct 2023 01:02:14 GMT
ステータス: 処理完了
システム内更新日: 2023-10-31 17:56:27.306009
Title: The Role of Reference Points in Machine-Learned Atomistic Simulation Models
Title（参考訳）: 機械学習原子論シミュレーションモデルにおける基準点の役割
Authors: Xiangyun Lei, Weike Ye, Joseph Montoya, Tim Mueller, Linda Hung, Jens Hummelshoej
Abstract要約: 化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。 FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper introduces the Chemical Environment Modeling Theory (CEMT), a novel, generalized framework designed to overcome the limitations inherent in traditional atom-centered Machine Learning Force Field (MLFF) models, widely used in atomistic simulations of chemical systems. CEMT demonstrated enhanced flexibility and adaptability by allowing reference points to exist anywhere within the modeled domain and thus, enabling the study of various model architectures. Utilizing Gaussian Multipole (GMP) featurization functions, several models with different reference point sets, including finite difference grid-centered and bond-centered models, were tested to analyze the variance in capabilities intrinsic to models built on distinct reference points. The results underscore the potential of non-atom-centered reference points in force training, revealing variations in prediction accuracy, inference speed and learning efficiency. Finally, a unique connection between CEMT and real-space orbital-free finite element Density Functional Theory (FE-DFT) is established, and the implications include the enhancement of data efficiency and robustness. It allows the leveraging of spatially-resolved energy densities and charge densities from FE-DFT calculations, as well as serving as a pivotal step towards integrating known quantum-mechanical laws into the architecture of ML models.
Abstract（参考訳）: 本稿では、従来の原子中心機械学習力場(mlff)モデルに内在する限界を克服するために設計された、新しい一般化された枠組みである化学環境モデリング理論(cemt)を紹介する。 CEMTは、参照ポイントをモデル領域内に存在するようにすることで柔軟性と適応性を向上し、様々なモデルアーキテクチャの研究を可能にした。ガウス多極関数 (GMP) を用いて, 有限差分グリッド中心モデルやボンド中心モデルを含む, 異なる基準点集合を持つモデルを用いて, 異なる基準点上に構築されたモデルに固有の能力のばらつきを分析する。その結果,非原子中心の力覚訓練における参照点の可能性が示唆され,予測精度,推論速度,学習効率の変動が明らかになった。最後に、CEMTと実空間自由有限要素密度汎関数理論(FE-DFT)のユニークな接続を確立し、データ効率とロバスト性の向上を含む。これは、空間分解されたエネルギー密度とFE-DFT計算からの電荷密度の活用を可能にするとともに、既知の量子力学法則をMLモデルのアーキテクチャに統合するための重要なステップとなる。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Differentiable Neural-Integrated Meshfree Method for Forward and Inverse Modeling of Finite Strain Hyperelasticity [1.290382979353427]
本研究では,新しい物理インフォームド機械学習手法,特にニューラル積分メッシュフリー(NIM)法を拡張し,有限ひずみ問題をモデル化することを目的とする。固有の微分可能プログラミング機能のおかげで、NIMは変分形式のニュートン・ラフソン線形化の導出を回避できる。 NIMはひずみデータから超弾性材料の不均一力学特性を同定し, 非線形材料の逆モデリングにおけるその有効性を検証する。
論文参考訳（メタデータ） (2024-07-15T19:15:18Z)
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)
CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems [1.0923877073891446]
この研究は生成モデルの到達範囲を物理的問題領域に拡張する。基礎となるPDEとの整合性を促進するための効率的なアプローチを提案する。各種物理課題におけるスコアベース生成モデルの可能性と汎用性を示す。
論文参考訳（メタデータ） (2023-12-16T19:56:10Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Descriptors for Machine Learning Model of Generalized Force Field in Condensed Matter Systems [3.9811842769009034]
凝縮物質系のマルチスケール動的モデリングのための機械学習(ML)手法の一般的な枠組みを概説する。両スペクトル係数に基づいて不変量を計算するための体系的かつ厳密なアプローチを提供する群論的手法に着目する。
論文参考訳（メタデータ） (2022-01-03T18:38:26Z)
Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文参考訳（メタデータ） (2021-11-01T09:17:15Z)
Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文参考訳（メタデータ） (2021-04-05T00:02:36Z)
Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文参考訳（メタデータ） (2020-11-05T06:48:46Z)
Tensor network models of AdS/qCFT [69.6561021616688]
準周期共形場理論(qCFT)の概念を導入する。離散ホログラフィーのパラダイムに属するものとして,qCFTが最適であることを示す。
論文参考訳（メタデータ） (2020-04-08T18:00:05Z)
Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。