Fugu-MT 論文翻訳(概要): On the Inclusion of Charge and Spin States in Cartesian Tensor Neural Network Potentials

論文の概要: On the Inclusion of Charge and Spin States in Cartesian Tensor Neural Network Potentials

arxiv url: http://arxiv.org/abs/2403.15073v1
Date: Fri, 22 Mar 2024 09:54:04 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 17:58:20.398998
Title: On the Inclusion of Charge and Spin States in Cartesian Tensor Neural Network Potentials
Title（参考訳）: カルテシアンテンソルニューラルネット電位における電荷とスピン状態の包含について
Authors: Guillem Simeon, Antonio Mirarchi, Raul P. Pelaez, Raimondas Galvelis, Gianni De Fabritiis,
Abstract要約: 最先端の同変カルトテンソルニューラルネットワーク電位が拡張される。入力縮退問題に対処し、様々な化学系におけるモデルの予測精度を高める。
参考スコア（独自算出の注目度）: 2.679689033125693
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this letter, we present an extension to TensorNet, a state-of-the-art equivariant Cartesian tensor neural network potential, allowing it to handle charged molecules and spin states without architectural changes or increased costs. By incorporating these attributes, we address input degeneracy issues, enhancing the model's predictive accuracy across diverse chemical systems. This advancement significantly broadens TensorNet's applicability, maintaining its efficiency and accuracy.
Abstract（参考訳）: 本稿では, 構造変化やコストの増大を伴わずに, 荷電分子やスピン状態の処理が可能となる, 最先端の同変型モンテカルロテンソル神経電位であるTensorNetの拡張について述べる。これらの属性を組み込むことで、入力縮退問題に対処し、様々な化学系におけるモデルの予測精度を高める。この進歩はTensorNetの適用性を大幅に拡大し、その効率性と正確性を維持した。

関連論文リスト

The Importance of Being Scalable: Improving the Speed and Accuracy of Neural Network Interatomic Potentials Across Chemical Domains [4.340917737559795]
ニューラルネットワーク原子間ポテンシャル(NNIP)のスケーリングに関する研究 NNIPは、ab initio量子力学計算の代理モデルとして機能する。我々は、スケーリング用に設計されたNNIPアーキテクチャを開発する: 効率よくスケールされた意識的原子間ポテンシャル(EScAIP)
論文参考訳（メタデータ） (2024-10-31T17:35:57Z)
Higher-Rank Irreducible Cartesian Tensors for Equivariant Message Passing [23.754664894759234]
原子学シミュレーションは化学の進歩に不可欠です機械学習された原子間ポテンシャルは、計算コストのごく一部でアブイニシアト法と第一原理法と同等の精度を達成する。
論文参考訳（メタデータ） (2024-05-23T07:31:20Z)
Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。 SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
論文参考訳（メタデータ） (2023-08-19T08:17:41Z)
TensorNet: Cartesian Tensor Representations for Efficient Learning of Molecular Potentials [4.169915659794567]
我々は、革新的なO(3)等価メッセージパッシングニューラルネットワークアーキテクチャであるNetを紹介する。テンソル原子埋め込みを用いることで、機能混合は行列積演算により単純化される。ポテンシャルエネルギーと力の上のベクトルとテンソル分子量の正確な予測が可能である。
論文参考訳（メタデータ） (2023-06-10T16:41:18Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文参考訳（メタデータ） (2022-06-30T17:45:05Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文参考訳（メタデータ） (2021-09-15T16:46:46Z)
Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文参考訳（メタデータ） (2020-11-05T06:48:46Z)
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)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。