論文の概要: Cartesian atomic cluster expansion for machine learning interatomic potentials

• arxiv url: http://arxiv.org/abs/2402.07472v2
• Date: Sat, 16 Mar 2024 03:05:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 02:02:06.593042
• Title: Cartesian atomic cluster expansion for machine learning interatomic potentials
• Title（参考訳）: 機械学習原子間ポテンシャルのためのモンテカルト原子クラスター展開
• Authors: Bingqing Cheng,
• Abstract要約: 機械学習の原子間ポテンシャルは、物質科学と化学における原子モデルに革命をもたらしている。 本稿では, 高い精度, 安定性, 一般化性を示す, カルテシアン配位子に基づく原子密度展開を提案する。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。
• 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: Machine learning interatomic potentials are revolutionizing large-scale, accurate atomistic modelling in material science and chemistry. Many potentials use atomic cluster expansion or equivariant message passing frameworks. Such frameworks typically use spherical harmonics as angular basis functions, and then use Clebsch-Gordan contraction to maintain rotational symmetry, which may introduce redundancies in representations and computational overhead. We propose an alternative: a Cartesian-coordinates-based atomic density expansion. This approach provides a complete set of polynormially indepedent features of atomic environments while maintaining interaction body orders. Additionally, we integrate low-dimensional embeddings of various chemical elements and inter-atomic message passing. The resulting potential, named Cartesian Atomic Cluster Expansion (CACE), exhibits good accuracy, stability, and generalizability. We validate its performance in diverse systems, including bulk water, small molecules, and 25-element high-entropy alloys.
• Abstract（参考訳）: 機械学習の原子間ポテンシャルは、物質科学と化学における大規模で正確な原子モデルに革命をもたらしている。 多くのポテンシャルは、アトミッククラスタ拡張または同変メッセージパッシングフレームワークを使用する。 このようなフレームワークは典型的には球面調和を角基底関数として使用し、次にクレブシュ=ゴルダン縮約を用いて回転対称性を保ち、表現や計算オーバーヘッドに冗長性をもたらす。 カルテシアン配位子に基づく原子密度膨張法を提案する。 このアプローチは、相互作用体秩序を維持しながら、原子環境の完全なポリノルミ非依存的な特徴を提供する。 さらに, 各種化学元素の低次元埋め込みと原子間メッセージパッシングを統合した。 CACE (Cartesian Atomic Cluster Expansion) は、高い精度、安定性、一般化性を示す。 バルク水, 小分子および25元素高エントロピー合金を含む多種多様なシステムにおいて, その性能を検証した。

関連論文リスト

• Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction [62.05532524197309]
  同変深部モデルでは、分子動力学シミュレーションにおいて原子ポテンシャルと力場を正確に予測できることが示されている。 本研究では、同変アーキテクチャの同変関数を解析し、PACEと呼ばれる新しい同変ネットワークを導入する。 一般的なベンチマークで実験されたように、PACEは原子エネルギーと力場の予測における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-06T19:34:40Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• Efficient Approximations of Complete Interatomic Potentials for Crystal Property Prediction [63.4049850776926]
  結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。 現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。 距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
  論文  参考訳（メタデータ） (2023-06-12T07:19:01Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Completeness of Atomic Structure Representations [0.0]
  本稿では, 粒子三重項の相対配置に基づいて, 無限相関の記述子を構築するための新しい手法を提案する。 我々の戦略は、従来の対称ディスクリプタの幅広いクラスを無効にするために特別に構築された原子配列のクラスで実証される。
  論文  参考訳（メタデータ） (2023-02-28T17:11:42Z)
• Tensor-reduced atomic density representations [0.0]
  グラフニューラルネットワークは、化学元素情報を学習可能な方法で固定次元空間にマッピングすることで、スケーリングから逃れる。 我々は、標準近傍密度に基づく記述子のテンソル構造を利用して、このアプローチをテンソル分解として再考する。 そのため、化学元素の数に依存しないコンパクトなテンソル還元表現を形成する。
  論文  参考訳（メタデータ） (2022-10-02T01:08:50Z)
• Unified theory of atom-centered representations and graph convolutional machine-learning schemes [0.0]
  原子中心密度相関 (ACDC) は、標的の体秩序、対称性に適応した拡張の基礎として用いられる。 我々は、ACDCを多中心情報を含むように一般化し、原子座標の対称関数を回帰するために完全な線形基底を与える表現を生成する。
  論文  参考訳（メタデータ） (2022-02-03T12:56:22Z)
• Anderson localization of a Rydberg electron [68.8204255655161]
  ライドバーグ原子はその準位構造、対称性、水素原子からのスケーリング挙動を継承する。 制限は、基底状態原子の数と、リドバーグ原子の励起レベルを同時に増加させることによって達成される。
  論文  参考訳（メタデータ） (2021-11-19T18:01:24Z)
• Equivariant representations for molecular Hamiltonians and N-center atomic-scale properties [0.0]
  我々は、非常に成功した原子中心密度相関特性をN中心の場合に一般化する構造記述子の族について論じる。 特に、原子中心軌道ベースで書かれた(有効)単一粒子ハミルトニアンの行列要素を効率的に学習するために、この構造がどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2021-09-24T17:19:57Z)
• Detect the Interactions that Matter in Matter: Geometric Attention for Many-Body Systems [0.4351216340655199]
  ユークリッド空間における任意の原子配置の幾何学的関係を記述する変種を提案する。 学習した注目行列の連続的な応用が、分子幾何学を飛行中の個々の原子寄与の集合に効果的に変換する方法を実証する。
  論文  参考訳（メタデータ） (2021-06-04T15:28:27Z)
• 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。

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。