論文の概要: Topological, or Non-topological? A Deep Learning Based Prediction
- arxiv url: http://arxiv.org/abs/2310.18907v1
- Date: Sun, 29 Oct 2023 05:29:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 15:41:01.816617
- Title: Topological, or Non-topological? A Deep Learning Based Prediction
- Title（参考訳）: トポロジカル、非トポロジカル?
ディープラーニングに基づく予測
- Authors: Ashiqur Rasul, Md Shafayat Hossain, Ankan Ghosh Dastider, Himaddri
Roy, M. Zahid Hasan, Quazi D. M. Khosru
- Abstract要約: 望ましい性質を持つ新しい物質の予測と発見は、量子科学と技術研究の最前線にある。
この分野での大きなボトルネックは、abinitio計算から新しい材料を見つけることに関連する計算資源と時間複雑性である。
本研究では、永続的ホモロジーとグラフニューラルネットワークを組み込むことにより、効果的で堅牢なディープラーニングに基づくモデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Prediction and discovery of new materials with desired properties are at the
forefront of quantum science and technology research. A major bottleneck in
this field is the computational resources and time complexity related to
finding new materials from ab initio calculations. In this work, an effective
and robust deep learning-based model is proposed by incorporating persistent
homology and graph neural network which offers an accuracy of 91.4% and an F1
score of 88.5% in classifying topological vs. non-topological materials,
outperforming the other state-of-the-art classifier models. The incorporation
of the graph neural network encodes the underlying relation between the atoms
into the model based on their own crystalline structures and thus proved to be
an effective method to represent and process non-euclidean data like molecules
with a relatively shallow network. The persistent homology pipeline in the
suggested neural network is capable of integrating the atom-specific
topological information into the deep learning model, increasing robustness,
and gain in performance. It is believed that the presented work will be an
efficacious tool for predicting the topological class and therefore enable the
high-throughput search for novel materials in this field.
- Abstract（参考訳）: 望ましい性質を持つ新しい材料の予測と発見は、量子科学と技術研究の最前線にある。
この分野での大きなボトルネックは、abinitio計算から新しい材料を見つけることに関連する計算資源と時間複雑性である。
本研究では, トポロジと非トポロジの分類において91.4%の精度とF1スコアが88.5%の持続的ホモロジーとグラフニューラルネットワークを組み込んだ, 有効かつ堅牢な深層学習モデルを提案する。
グラフニューラルネットワークの組み入れは、原子間の基底関係を自身の結晶構造に基づいてモデルにエンコードし、比較的浅いネットワークを持つ分子のような非ユークリッドデータの表現と処理に有効な方法であることが証明された。
提案するニューラルネットワークの永続的ホモロジーパイプラインは、原子固有のトポロジ情報をディープラーニングモデルに統合し、堅牢性を高め、パフォーマンスを向上することができる。
提案手法は, トポロジカルクラスを予測し, この分野における新素材の高スループット探索を可能にするための有効なツールであると考えられる。
関連論文リスト
- KA-GNN: Kolmogorov-Arnold Graph Neural Networks for Molecular Property Prediction [16.53371673077183]
本稿では,KAN(Kolmogorov-Arnold Network)ベースのグラフニューラルネットワーク(KA-GNN)を用いた新しいグラフニューラルネットワークモデルを提案する。
このモデルは、計算資源の利用において極めて効率的でありながら、kan法の高い解釈可能性特性を維持している。
7つの公開データセットでテストされ、検証されたKA-GNNは、既存のSOTA(State-of-the-art)ベンチマークに対して、プロパティ予測を大幅に改善した。
論文 参考訳（メタデータ） (2024-10-15T06:44:57Z) - Discovering Physics-Informed Neural Networks Model for Solving Partial Differential Equations through Evolutionary Computation [5.8407437499182935]
本稿では,より高い近似精度と高速収束率を持つPINNモデルの探索を目的とした進化的計算手法を提案する。
実験では、ベイズ最適化、ランダム探索、進化を通じて探索される異なるモデルの性能を比較して、クライン=ゴルドン方程式、バーガー方程式、ラム方程式を解く。
論文 参考訳（メタデータ） (2024-05-18T07:32:02Z) - Symmetry-enforcing neural networks with applications to constitutive modeling [0.0]
本研究では,非線形および履歴依存行動を示す複雑なミクロ構造を均質化するために,最先端のマイクロメカニカルモデリングと高度な機械学習技術を組み合わせる方法について述べる。
結果として得られるホモジェナイズドモデルであるスマート法則(SCL)は、従来の並列マルチスケールアプローチで必要とされる計算コストのごく一部で、マイクロインフォメーション法を有限要素ソルバに適用することができる。
本研究では、ニューロンレベルで物質対称性を強制する新しい方法論を導入することにより、SCLの機能を拡張する。
論文 参考訳（メタデータ） (2023-12-21T01:12:44Z) - A Kernel-Based Neural Network Test for High-dimensional Sequencing Data
Analysis [0.8221435109014762]
シーケンシングデータの複雑な関連解析のための新しいカーネルベースニューラルネットワーク(KNN)テストを導入する。
KNNに基づいて、高次元遺伝データの関心の表現型との結合性を評価するために、ウォルド型試験が導入された。
論文 参考訳（メタデータ） (2023-12-05T16:06:23Z) - Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。
単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。
これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文 参考訳（メタデータ） (2023-07-20T13:34:11Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - A Physics-Guided Neural Operator Learning Approach to Model Biological
Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。
ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。
材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文 参考訳（メタデータ） (2022-04-01T04:56:41Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳（メタデータ） (2020-06-15T08:23:20Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。