論文の概要: Deciphering diffuse scattering with machine learning and the equivariant
foundation model: The case of molten FeO
- arxiv url: http://arxiv.org/abs/2403.00259v1
- Date: Fri, 1 Mar 2024 03:50:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:13:19.355385
- Title: Deciphering diffuse scattering with machine learning and the equivariant
foundation model: The case of molten FeO
- Title（参考訳）: 機械学習による拡散散乱の解読と同変基礎モデル:溶融FeOの場合
- Authors: Ganesh Sivaraman and Chris J. Benmore
- Abstract要約: 拡散X線または中性子散乱測定のギャップを埋めることと、不規則物質中の原子-原子対ポテンシャルから予測される構造は、凝縮物質物理学において長年の課題であった。
機械学習による原子間ポテンシャルの利用はここ数年で増加しており、特にイオン系や酸化物系では成功している。
ここでは、新たに導入された同変基礎モデルであるMACE-MP-0を活用し、溶融鉄(II)酸化物(FeO)の場合の高品質な実験散乱データに対して結果を検証する。
- 参考スコア（独自算出の注目度）: 5.643890195191516
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Bridging the gap between diffuse x-ray or neutron scattering measurements and
predicted structures derived from atom-atom pair potentials in disordered
materials, has been a longstanding challenge in condensed matter physics. This
perspective gives a brief overview of the traditional approaches employed over
the past several decades. Namely, the use of approximate interatomic pair
potentials that relate 3-dimensional structural models to the measured
structure factor and its associated pair distribution function. The use of
machine learned interatomic potentials has grown in the past few years, and has
been particularly successful in the cases of ionic and oxide systems. Recent
advances in large scale sampling, along with a direct integration of scattering
measurements into the model development, has provided improved agreement
between experiments and large-scale models calculated with quantum mechanical
accuracy. However, details of local polyhedral bonding and connectivity in
meta-stable disordered systems still require improvement. Here we leverage
MACE-MP-0; a newly introduced equivariant foundation model and validate the
results against high-quality experimental scattering data for the case of
molten iron(II) oxide (FeO). These preliminary results suggest that the
emerging foundation model has the potential to surpass the traditional
limitations of classical interatomic potentials.
- Abstract（参考訳）: 拡散x線または中性子散乱測定と乱れた物質の原子-原子対ポテンシャルに由来する予測構造の間のギャップを橋渡しすることは、凝縮物質物理学における長年の課題である。
この視点は、過去数十年で採用されてきた伝統的なアプローチの概要を示している。
すなわち、3次元構造モデルと測定された構造因子とその関連する対分布関数を関連付ける近似原子間対ポテンシャルを用いる。
機械学習による原子間ポテンシャルの利用はここ数年で増加しており、特にイオン系や酸化物系では成功している。
大規模サンプリングの最近の進歩と, モデル開発への散乱測定の直接統合により, 量子力学的精度で計算した大規模モデルと実験の一致性が向上した。
しかし、局所多面体結合と準安定不規則系における接続の詳細は改善を必要とする。
ここでは、新たに導入された同変基礎モデルであるMACE-MP-0を活用し、溶融鉄(II)酸化物(FeO)の場合の高品質な実験散乱データに対して結果を検証する。
これらの予備的な結果は、新しい基礎モデルが古典的原子間ポテンシャルの伝統的な限界を超える可能性を示唆している。
関連論文リスト
- 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) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery [0.0]
本稿では,薬物発見における親和性予測に適したハイブリッド量子古典的深層学習モデルを提案する。
具体的には、最適化量子アーキテクチャにおいて、3次元および空間グラフ畳み込みニューラルネットワークを相乗的に統合する。
シミュレーションの結果、既存の古典的モデルと比較して予測精度が6%向上し、従来の古典的手法に比べてはるかに安定した収束性能を示した。
論文 参考訳（メタデータ） (2023-09-06T11:56:33Z) - End-To-End Latent Variational Diffusion Models for Inverse Problems in
High Energy Physics [61.44793171735013]
本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。
我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
論文 参考訳（メタデータ） (2023-05-17T17:43:10Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Slow semiclassical dynamics of a two-dimensional Hubbard model in
disorder-free potentials [77.34726150561087]
調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。
特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
論文 参考訳（メタデータ） (2022-10-03T16:51:25Z) - Environmental Collapse Models [0.0]
原則として、巨大な粒子のみからなる孤立系は、そのようなモデルで一意的に進化することができた。
光子と重力子はユビキタスであり、巨大な粒子から散乱するため、前者の動的崩壊は後者の崩壊を効果的に引き起こす。
これらの環境崩壊モデルは、顕微鏡システムにおける量子実験と一致しているかもしれない。
論文 参考訳（メタデータ） (2022-06-06T16:11:19Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Sachdev-Ye-Kitaev Models and Beyond: A Window into Non-Fermi Liquids [0.0]
準粒子励起を伴わない圧縮可能な量子多体系のSachdev-Ye-Kitaev(SYK)モデルについて概説する。
このレビューは、相関電子材料に関する多くの実験的な観察の文脈に置かれている。
論文 参考訳（メタデータ） (2021-09-10T18:00:13Z) - The nonlinear semiclassical dynamics of the unbalanced, open Dicke model [0.0]
ディックモデル(Dicke model)は、原子が集合的に光をキャビティモードに放出する状態への量子相転移を示す。
このシステムを半古典的(平均場)限界で研究し、量子ゆらぎの役割を無視する。
集合スピンのフリップは、カオス力学の突然の出現をもたらす。
論文 参考訳（メタデータ） (2020-04-09T11:13:20Z)
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。