論文の概要: Accelerating Material Property Prediction using Generically Complete
Isometry Invariants
- arxiv url: http://arxiv.org/abs/2401.15089v1
- Date: Mon, 22 Jan 2024 15:14:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-04 05:34:34.303994
- Title: Accelerating Material Property Prediction using Generically Complete
Isometry Invariants
- Title(参考訳): 総称的完全等長不変量を用いた材料特性予測の高速化
- Authors: Jonathan Balasingham, Viktor Zamaraev, Vitaliy Kurlin
- Abstract要約: 学習アルゴリズムの表現として,周期点集合に対して連続的かつ汎用的に完備な等距離不変量であるポイントワイド距離分布(PDD)を適応する。
本研究では,PDDを利用して空間符号化手法を用いて構成情報を組み込むことができる自己認識機構を改良したトランスフォーマーモデルを開発した。
このモデルは、Material ProjectとJarvis-DFTデータベースの結晶上でテストされ、最先端の手法に匹敵する精度を示す。
- 参考スコア(独自算出の注目度): 3.4069627091757178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Material or crystal property prediction using machine learning has grown
popular in recent years as it provides a computationally efficient replacement
to classical simulation methods. A crucial first step for any of these
algorithms is the representation used for a periodic crystal. While similar
objects like molecules and proteins have a finite number of atoms and their
representation can be built based upon a finite point cloud interpretation,
periodic crystals are unbounded in size, making their representation more
challenging. In the present work, we adapt the Pointwise Distance Distribution
(PDD), a continuous and generically complete isometry invariant for periodic
point sets, as a representation for our learning algorithm. While the PDD is
effective in distinguishing periodic point sets up to isometry, there is no
consideration for the composition of the underlying material. We develop a
transformer model with a modified self-attention mechanism that can utilize the
PDD and incorporate compositional information via a spatial encoding method.
This model is tested on the crystals of the Materials Project and Jarvis-DFT
databases and shown to produce accuracy on par with state-of-the-art methods
while being several times faster in both training and prediction time.
- Abstract(参考訳): 近年,機械学習を用いた材料や結晶特性の予測が盛んになり,従来のシミュレーション手法に代えて計算効率が向上している。
これらのアルゴリズムにとって重要な最初のステップは、周期的結晶の表現である。
分子やタンパク質のような類似の物体は有限個の原子を持ち、それらの表現は有限点の雲の解釈に基づいて構築できるが、周期結晶は大きさが無制限であるため、その表現はより困難である。
本研究では,学習アルゴリズムの表現として,周期的な点集合に対して連続的かつ総称的に完全アイソメトリ不変の点距離分布 (PDD) を適用する。
PDDはアイソメトリーに設定した周期点の識別に有効であるが, 材料組成については考慮されていない。
本研究では,PDDを利用して空間符号化により構成情報を組み込むことができる自己認識機構を改良したトランスフォーマーモデルを開発した。
このモデルは、Material ProjectとJarvis-DFTデータベースの結晶上でテストされ、トレーニング時間と予測時間の両方で数倍高速でありながら、最先端の手法と同等の精度が得られることを示した。
関連論文リスト
- A Framework for Fast and Stable Representations of Multiparameter
Persistent Homology Decompositions [2.76240219662896]
本稿では,複数パラメータの持続的ホモロジーのエム分解における最近の結果を活用する,新しい汎用表現フレームワークを提案する。
我々は,この枠組みの下で理論安定性の保証と,実用的な計算のための効率的なアルゴリズムを確立する。
いくつかの実データに対して,統計的収束,予測精度,高速実行時間を示す数値実験により,安定性とアルゴリズムの検証を行った。
論文 参考訳(メタデータ) (2023-06-19T21:28:53Z) - Periodic Graph Transformers for Crystal Material Property Prediction [39.01618096831294]
結晶をコードする周期グラフの表現学習について検討する。
正則グラフと異なり、周期グラフは3次元空間の正則格子上を繰り返す最小単位セルからなる。
本研究では,周期グラフ表現学習のための変換器アーキテクチャであるMatformerを提案する。
論文 参考訳(メタデータ) (2022-09-23T18:57:22Z) - Atomic structure generation from reconstructing structural fingerprints [1.2128971613239876]
本稿では、原子中心対称性関数を表現として、条件付き変分オートエンコーダを生成モデルとして、エンドツーエンド構造生成手法を提案する。
我々は、概念実証として、サブナノメーターPtナノ粒子の新規で有効な原子構造を生成することに成功した。
論文 参考訳(メタデータ) (2022-07-27T00:42:59Z) - Nonparametric Factor Trajectory Learning for Dynamic Tensor
Decomposition [20.55025648415664]
動的テンソル分解(NONFAT)のためのNON FActor Trajectory Learningを提案する。
我々は第2レベルのGPを用いてエントリ値をサンプリングし、エンティティ間の時間的関係をキャプチャする。
実世界のいくつかの応用において,本手法の利点を示した。
論文 参考訳(メタデータ) (2022-07-06T05:33:00Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - 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) - Optimal radial basis for density-based atomic representations [58.720142291102135]
データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。
トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。
この構成が精度と計算効率のよい表現をもたらすことを実証する。
論文 参考訳(メタデータ) (2021-05-18T17:57:08Z) - CaSPR: Learning Canonical Spatiotemporal Point Cloud Representations [72.4716073597902]
本研究では,動的あるいは動いた物体の標準点クラウド表現を学習する手法を提案する。
本稿では, 形状再構成, カメラポーズ推定, 連続時間列再構成, 対応推定など, 様々な応用における本手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-08-06T17:58:48Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-22T13:33:44Z)
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。