論文の概要: A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction

• arxiv url: http://arxiv.org/abs/2406.12888v1
• Date: Mon, 3 Jun 2024 16:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-23 13:24:48.389888
• Title: A Space Group Symmetry Informed Network for O(3) Equivariant Crystal Tensor Prediction
• Title（参考訳）: O(3)等変結晶テンソル予測のための空間群対称性インフォームドネットワーク
• Authors: Keqiang Yan, Alexandra Saxton, Xiaofeng Qian, Xiaoning Qian, Shuiwang Ji,
• Abstract要約: 結晶材料の一般的な引張特性の予測について考察する。 本稿では,必要な対称性を満たすために慎重に設計された汎用材料ネットワーク(GMTNet)を提案する。 実験の結果, GMTNetは様々な順序の結晶テンソル上で有望な性能を達成できた。
• 参考スコア（独自算出の注目度）: 89.38877696273364
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider the prediction of general tensor properties of crystalline materials, including dielectric, piezoelectric, and elastic tensors. A key challenge here is how to make the predictions satisfy the unique tensor equivariance to O(3) group and invariance to crystal space groups. To this end, we propose a General Materials Tensor Network (GMTNet), which is carefully designed to satisfy the required symmetries. To evaluate our method, we curate a dataset and establish evaluation metrics that are tailored to the intricacies of crystal tensor predictions. Experimental results show that our GMTNet not only achieves promising performance on crystal tensors of various orders but also generates predictions fully consistent with the intrinsic crystal symmetries. Our code is publicly available as part of the AIRS library (https://github.com/divelab/AIRS).
• Abstract（参考訳）: 誘電体,圧電体,弾性テンソルを含む結晶材料の一般的な引張特性の予測を考察する。 ここでの重要な課題は、予測が O(3) 群に対する一意のテンソル同値と結晶空間群への不変性を満足させる方法である。 そこで本研究では,必要な対称性を満たすために,GMTNet(General Materials Tensor Network)を提案する。 提案手法を評価するため, 結晶テンソル予測の複雑さに合わせて, データセットをキュレートし, 評価指標を確立する。 実験結果から,GMTNetは様々な順序の結晶テンソル上での有望な性能を達成するだけでなく,固有結晶対称性と完全に一致した予測を生成することがわかった。 私たちのコードはAIRSライブラリ(https://github.com/divelab/AIRS)の一部として公開されています。

関連論文リスト

• Complete and Efficient Graph Transformers for Crystal Material Property Prediction [53.32754046881189]
  結晶構造は、3次元空間の正則格子に沿って繰り返される原始単位セル内の原子塩基によって特徴づけられる。 本稿では,各原子の格子に基づく表現を確立するために,単位細胞の周期パターンを利用する新しい手法を提案する。 結晶材料に特化して設計されたSE(3)トランスであるComFormerを提案する。
  論文  参考訳（メタデータ） (2024-03-18T15:06:37Z)
• StrainTensorNet: Predicting crystal structure elastic properties using SE(3)-equivariant graph neural networks [1.9260081982051918]
  結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。 このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
  論文  参考訳（メタデータ） (2023-06-22T11:34:08Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• Provably tuning the ElasticNet across instances [53.0518090093538]
  我々は、複数の問題インスタンスにまたがるリッジ回帰、LASSO、ElasticNetの正規化パラメータをチューニングする問題を考察する。 我々の結果は、この重要な問題に対する学習理論による最初の一般的な保証である。
  論文  参考訳（メタデータ） (2022-07-20T21:22:40Z)
• Edge-based Tensor prediction via graph neural networks [6.021787236982659]
  メッセージパッシングニューラルネットワーク(MPNN)は、分子や結晶の物理的特性を予測する上で、極めて高い効率と精度を示す。 現在、結晶のテンソル特性を直接予測するための一般的なMPNNフレームワークが欠如している。 本研究では, エッジベーステンソル予測グラフニューラルネットワーク(ETGNN)モデルを不変グラフニューラルネットワークに基づいて直接設計し, テンソルの予測を行う。
  論文  参考訳（メタデータ） (2022-01-15T06:43:15Z)
• When Random Tensors meet Random Matrices [50.568841545067144]
  本稿では,ガウス雑音を伴う非対称次数-$d$スパイクテンソルモデルについて検討する。 検討したモデルの解析は、等価なスパイクされた対称テクシットブロック-ワイドランダム行列の解析に起因していることを示す。
  論文  参考訳（メタデータ） (2021-12-23T04:05:01Z)
• Machine-learning physics from unphysics: Finding deconfinement temperature in lattice Yang-Mills theories from outside the scaling window [0.0]
  格子ゲージ理論の臨界挙動に応用した機械学習技術について検討する。 入力として格子パラメータの非物理値でゲージ場の格子構成を訓練したニューラルネットワークがゲージ不変関数を構築することを発見した。
  論文  参考訳（メタデータ） (2020-09-23T07:21:40Z)
• T-Basis: a Compact Representation for Neural Networks [89.86997385827055]
  テンソルの集合をコンパクトに表現するための概念である T-Basis をニューラルネットワークでよく見られる任意の形状で導入する。 ニューラルネットワーク圧縮の課題に対する提案手法の評価を行い, 許容性能低下時に高い圧縮速度に達することを示す。
  論文  参考訳（メタデータ） (2020-07-13T19:03:22Z)

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。