Fugu-MT 論文翻訳(概要): Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water

論文の概要: Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water

arxiv url: http://arxiv.org/abs/2312.01414v1
Date: Sun, 3 Dec 2023 14:37:27 GMT
ステータス: 処理完了
システム内更新日: 2023-12-05 17:34:23.182281
Title: Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water
Title（参考訳）: クラスターデータによる周期系の予測特性:液体水の事例研究
Authors: Viktor Zaverkin, David Holzm\"uller, Robin Schuldt, and Johannes K\"astner
Abstract要約: 局所的な原子中心の機械学習電位記述子がクラスタモデルトレーニングデータからバルク特性の予測を可能にすることを示す。密度汎関数理論を用いて, バルク液の構造的および動的性質を調べた。
参考スコア（独自算出の注目度）: 0.6562256987706128
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The accuracy of the training data limits the accuracy of bulk properties from machine-learned potentials. For example, hybrid functionals or wave-function-based quantum chemical methods are readily available for cluster data but effectively out-of-scope for periodic structures. We show that local, atom-centred descriptors for machine-learned potentials enable the prediction of bulk properties from cluster model training data, agreeing reasonably well with predictions from bulk training data. We demonstrate such transferability by studying structural and dynamical properties of bulk liquid water with density functional theory and have found an excellent agreement with experimental as well as theoretical counterparts.
Abstract（参考訳）: トレーニングデータの精度は、マシン学習電位からバルク特性の精度を制限する。例えば、ハイブリッド汎関数や波動関数に基づく量子化学法はクラスターデータでは容易に利用できるが、周期構造では効果的にスコープ外である。局所的な原子中心の機械学習電位記述子は、クラスタモデルトレーニングデータからバルク特性の予測を可能にし、バルクトレーニングデータからの予測と合理的に一致していることを示す。本研究では, 密度汎関数理論を用いたバルク液体の水の構造と動的性質を研究した結果, 実験値と理論値との良好な一致が得られた。

関連論文リスト

The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文参考訳（メタデータ） (2024-11-18T01:19:37Z)
Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文参考訳（メタデータ） (2024-11-11T09:01:36Z)
Balancing Molecular Information and Empirical Data in the Prediction of Physico-Chemical Properties [8.649679686652648]
本稿では,分子記述子と表現学習を組み合わせた一般的な手法を提案する。提案したハイブリッドモデルは,グラフニューラルネットワークを用いた化学構造情報を利用する。構造に基づく予測が信頼できない場合を自動的に検出し、表現学習に基づく予測によって修正する。
論文参考訳（メタデータ） (2024-06-12T10:51:00Z)
Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
論文参考訳（メタデータ） (2024-05-09T19:51:27Z)
Accurate machine learning force fields via experimental and simulation data fusion [0.0]
機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
論文参考訳（メタデータ） (2023-08-17T18:22:19Z)
Interpretable Ensemble Learning for Materials Property Prediction with Classical Interatomic Potentials: Carbon as an Example [3.848961327213375]
機械学習(ML)は結晶材料の探索や特性の予測に広く用いられている。回帰木からなるアンサンブル学習に基づく手法を提案し, 生成エネルギーと弾性定数を予測する。記述子を使用しなければ、入力は9つの古典的原子間ポテンシャルを持つ分子動力学によって計算される特性である。
論文参考訳（メタデータ） (2023-07-24T19:10:13Z)
QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文参考訳（メタデータ） (2023-06-15T23:39:07Z)
Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction [54.28948205388247]
グラフニューラルネットワーク(GNN)は、分子グラフに基づく物理化学的特性のエンドツーエンド学習のための化学工学において出現している。 GNNの鍵となる要素は、原子の特徴ベクトルを分子指紋に結合するプール機能である。物理プーリング関数の使用は、一般化を著しく促進することを示す。
論文参考訳（メタデータ） (2022-07-27T20:24:19Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
DeePKS: a comprehensive data-driven approach towards chemically accurate density functional theory [9.431567429927933]
本稿では,正確で広く応用可能なエネルギー機能を構築するための汎用機械学習ベースのフレームワークを提案する。大規模なデータセットを取得可能な自己整合モデルのトレーニング方法を開発する。この訓練によって得られる関数は、大規模な分子のエネルギー、力、双極子、電子密度を化学的に正確に予測することを示した。
論文参考訳（メタデータ） (2020-08-01T04:30:37Z)
Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。