論文の概要: Classification of complex local environments in systems of particle
shapes through shape-symmetry encoded data augmentation
- arxiv url: http://arxiv.org/abs/2312.11822v1
- Date: Tue, 19 Dec 2023 03:27:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 17:10:48.852290
- Title: Classification of complex local environments in systems of particle
shapes through shape-symmetry encoded data augmentation
- Title（参考訳）: 形状対称性エンコードデータ拡張による粒子形状系の複雑な局所環境の分類
- Authors: Shih-Kuang (Alex) Lee, Sun-Ting Tsai and Sharon Glotzer
- Abstract要約: 本稿では,多層パーセプトロン(MLP)を粒子形状系の局所環境として訓練する,シンプルで物理に依存しない,強力なアプローチを提案する。
そこで本研究では, 粒子形状のシステム上での自己組織化過程を解明するための貴重なツールを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting and analyzing the local environment is crucial for investigating
the dynamical processes of crystal nucleation and shape colloidal particle
self-assembly. Recent developments in machine learning provide a promising
avenue for better order parameters in complex systems that are challenging to
study using traditional approaches. However, the application of machine
learning to self-assembly on systems of particle shapes is still underexplored.
To address this gap, we propose a simple, physics-agnostic, yet powerful
approach that involves training a multilayer perceptron (MLP) as a local
environment classifier for systems of particle shapes, using input features
such as particle distances and orientations. Our MLP classifier is trained in a
supervised manner with a shape symmetry-encoded data augmentation technique
without the need for any conventional roto-translations invariant symmetry
functions. We evaluate the performance of our classifiers on four different
scenarios involving self-assembly of cubic structures, 2-dimensional and
3-dimensional patchy particle shape systems, hexagonal bipyramids with varying
aspect ratios, and truncated shapes with different degrees of truncation. The
proposed training process and data augmentation technique are both
straightforward and flexible, enabling easy application of the classifier to
other processes involving particle orientations. Our work thus presents a
valuable tool for investigating self-assembly processes on systems of particle
shapes, with potential applications in structure identification of any
particle-based or molecular system where orientations can be defined.
- Abstract（参考訳）: 局所環境の検出と解析は結晶核生成と形状コロイド粒子自己組織化の動的過程を調べる上で重要である。
機械学習の最近の進歩は、従来のアプローチで研究することの難しい複雑なシステムにおいて、より優れた順序パラメータのための有望な道のりを提供する。
しかし, 粒子形状のシステムに対する機械学習の自己組立への応用はいまだ未検討である。
このギャップに対処するために,粒子形状の局所環境分類器として多層パーセプトロン(mlp)を訓練し,粒子距離や配向などの入力特性を用いた,単純で物理学に依存しない強力なアプローチを提案する。
我々のMLP分類器は、従来のロト変換不変対称性関数を必要とせずに、形状対称性符号化データ拡張技術を用いて教師あり方式で訓練されている。
我々は,立方体の自己組立,2次元および3次元の粒子形状系,異なるアスペクト比を持つ六角形ビピラミド,異なるトランケーションの形状を含む4つの異なるシナリオにおいて,分類器の性能を評価する。
提案されたトレーニングプロセスとデータ拡張技術は、単純で柔軟性があり、粒子配向を含む他のプロセスへの分類器の適用が容易である。
本研究は, 粒子形状の系における自己組織化過程の解明に有用なツールであり, 配向を定義可能な粒子系, 分子系の構造同定への応用の可能性を示す。
関連論文リスト
- Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳（メタデータ） (2023-11-01T23:45:15Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Hierarchical-Hyperplane Kernels for Actively Learning Gaussian Process
Models of Nonstationary Systems [5.1672267755831705]
グラデーションベースの手法で学習可能なパーティショニングを組み込んだカーネルファミリーを提案する。
各種能動的学習課題における優れた性能を実証的に示す。
論文 参考訳（メタデータ） (2023-03-17T14:50:51Z) - Investigation of Machine Learning-based Coarse-Grained Mapping Schemes
for Organic Molecules [0.0]
粗粒化(CG)により、異なるシステム解像度間のリンクを確立することができる。
本稿では,変分オートエンコーダに基づく機械学習戦略を適用し,適切なマッピング手法の開発について検討する。
論文 参考訳（メタデータ） (2022-09-26T18:30:51Z) - Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。
様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-22T03:45:29Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳（メタデータ） (2021-10-26T14:14:40Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Multiscale Mesh Deformation Component Analysis with Attention-based
Autoencoders [49.62443496989065]
重み付けされたアテンションベースオートエンコーダを用いて, マルチスケール変形成分を精度良く自動生成する手法を提案する。
このアテンション機構は、アクティブな変形領域において、軟弱なマルチスケール変形成分を学習するように設計されている。
提案手法では,新しい形状の効果的なモデリングを容易にするために,粗い形状で形状を編集することができる。
論文 参考訳（メタデータ） (2020-12-04T08:30:57Z) - Automatic Particle Trajectory Classification in Plasma Simulations [0.0]
粒子軌道空間を探索し、プラズマシミュレーションから粒子軌道を自動的に分類するための一般的なワークフローを提供する。
磁気リコネクション問題における電子軌道の分類によるワークフローの実証を行う。
本手法は,従来の文献からの既存結果の復元に成功し,基礎となるシステムに関する事前知識は得られなかった。
論文 参考訳（メタデータ） (2020-10-11T21:15:18Z) - The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。
異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。
原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文 参考訳（メタデータ） (2020-09-06T14:12:09Z) - Self-Supervised Learning of Generative Spin-Glasses with Normalizing
Flows [0.0]
一般的な離散問題におけるモデル相関に対する正規化フローを用いた連続スピングラス分布の開発を行う。
スピングラス位相の物理的および計算的特性をうまく学習できることを実証する。
注目すべきは、学習そのものがトレーニングされた正規化フローの層内のスピングラス相転移に対応することである。
論文 参考訳（メタデータ） (2020-01-02T19:00:01Z)
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。