論文の概要: FreeCG: Free the Design Space of Clebsch-Gordan Transform for Machine Learning Force Fields
- arxiv url: http://arxiv.org/abs/2407.02263v4
- Date: Mon, 9 Sep 2024 07:38:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 01:51:43.199972
- Title: FreeCG: Free the Design Space of Clebsch-Gordan Transform for Machine Learning Force Fields
- Title(参考訳): FreeCG: 機械学習力場のためのClebsch-Gordan変換の設計空間を自由に
- Authors: Shihao Shao, Haoran Geng, Zun Wang, Qinghua Cui,
- Abstract要約: 本稿では,将来の幾何学的ニューラルネットワーク設計において,効率的かつ表現力のあるCG変換を実現するための新しいパラダイムを提案する。
提案手法は, 決定対称性を損なうことなく, 層設計において完全な自由を実現できることを示す。
提案手法はFreeCGと呼ばれ, MD17, rMD17, MD22の強制予測を達成し, QM9データセットの特性予測にも適している。
- 参考スコア(独自算出の注目度): 3.2308327373486496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine Learning Force Fields (MLFFs) are of great importance for chemistry, physics, materials science, and many other related fields. The Clebsch-Gordan Transform (CG transform) effectively encodes many-body interactions and is thus an important building block for many models of MLFFs. However, the permutation-equivariance requirement of MLFFs limits the design space of CG transform, that is, intensive CG transform has to be conducted for each neighboring edge and the operations should be performed in the same manner for all edges. This constraint results in reduced expressiveness of the model while simultaneously increasing computational demands. To overcome this challenge, we first implement the CG transform layer on the permutation-invariant abstract edges generated from real edge information. We show that this approach allows complete freedom in the design of the layer without compromising the crucial symmetry. Developing on this free design space, we further propose group CG transform with sparse path, abstract edges shuffling, and attention enhancer to form a powerful and efficient CG transform layer. Our method, known as FreeCG, achieves state-of-the-art (SOTA) results in force prediction for MD17, rMD17, MD22, and is well extended to property prediction in QM9 datasets with several improvements greater than 15% and the maximum beyond 20%. The extensive real-world applications showcase high practicality. FreeCG introduces a novel paradigm for carrying out efficient and expressive CG transform in future geometric neural network designs. To demonstrate this, the recent SOTA, QuinNet, is also enhanced under our paradigm. Code will be publicly available.
- Abstract(参考訳): 機械学習力場(MLFF)は、化学、物理学、材料科学、その他多くの関連分野において非常に重要である。
Clebsch-Gordan変換(CG変換)は、多体相互作用を効果的に符号化し、MLFFの多くのモデルにとって重要なビルディングブロックである。
しかし、MLFFの置換等価性要件は、CG変換の設計空間を制限し、すなわち、各エッジに対して集中的なCG変換を行なわなければならず、全てのエッジに対しても同様に操作を行なわなければならない。
この制約は、計算要求を同時に増加させながらモデルの表現性を低下させる。
この課題を克服するために、我々はまず、実際のエッジ情報から生成された置換不変抽象エッジ上にCG変換層を実装した。
提案手法は, 決定対称性を損なうことなく, 層設計において完全な自由を実現できることを示す。
この自由な設計空間を基盤として,スパースパス,抽象エッジシャッフル,アテンションエンハンサを備えたグループCG変換を提案し,強力かつ効率的なCG変換層を形成する。
提案手法はFreeCGと呼ばれ, MD17, rMD17, MD22の強制予測を達成し, QM9データセットにおける特性予測にまで拡張され, 15%以上の改善と最大20%を超える最大値が得られた。
現実世界の幅広い応用は、高い実用性を示している。
FreeCGは、将来の幾何学的ニューラルネットワーク設計において、効率的かつ表現力のあるCG変換を実行するための新しいパラダイムを導入している。
これを示すために、最近のSOTAであるQuinNetも、我々のパラダイムの下で拡張されています。
コードは公開されます。
関連論文リスト
- SGFormer: Simplifying and Empowering Transformers for Large-Graph Representations [75.71298846760303]
ノード特性予測ベンチマークにおいて,一層注意が驚くほど高い性能を示すことを示す。
提案手法をSGFormer (Simplified Graph Transformer) と呼ぶ。
提案手法は,大きなグラフ上にトランスフォーマーを構築する上で,独立性のある新たな技術パスを啓蒙するものである。
論文 参考訳(メタデータ) (2023-06-19T08:03:25Z) - CompletionFormer: Depth Completion with Convolutions and Vision
Transformers [0.0]
本稿では、ピラミッド構造における深度補完モデルを構築するための基本単位として、畳み込み注意層と視覚変換器を1つのブロックに深く結合したJCAT(Joint Convolutional Attention and Transformer Block)を提案する。
我々のCompletionFormerは、屋外のKITTIDepth Completionベンチマークと屋内のNYUv2データセットで最先端のCNNベースの手法より優れており、純粋なTransformerベースの手法に比べてはるかに高い効率(約1/3FLOPs)を実現しています。
論文 参考訳(メタデータ) (2023-04-25T17:59:47Z) - MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。
自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
論文 参考訳(メタデータ) (2022-01-07T16:48:07Z) - Local-to-Global Self-Attention in Vision Transformers [130.0369761612812]
トランスフォーマーはコンピュータビジョンタスクに大きな可能性を示した。
最近のTransformerモデルは階層設計を採用しており、セルフアテンションはローカルウィンドウ内でのみ計算される。
この設計は効率を大幅に改善するが、早い段階ではグローバルな特徴推論が欠如している。
本研究では,トランスフォーマーのマルチパス構造を設計し,各ステージにおける複数の粒度での局所的・言語的推論を可能にする。
論文 参考訳(メタデータ) (2021-07-10T02:34:55Z) - Global Filter Networks for Image Classification [90.81352483076323]
本稿では,対数線形複雑度を持つ周波数領域における長期空間依存性を学習する,概念的に単純だが計算効率のよいアーキテクチャを提案する。
この結果から,GFNetはトランスフォーマー型モデルやCNNの効率,一般化能力,堅牢性において,非常に競争力のある代替手段となる可能性が示唆された。
論文 参考訳(メタデータ) (2021-07-01T17:58:16Z) - Cascade Image Matting with Deformable Graph Refinement [9.850709729559757]
低分解能から高分解能までの交配を行うネットワークカスケードアーキテクチャを提案する。
また、グラフニューラルネットワーク(GNN)に基づくデフォーマブルグラフリファインメント(DGR)モジュールも導入しています。
実験結果は、CasDGRが合成データセットで最先端のパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2021-05-06T13:26:51Z) - Progressive Encoding for Neural Optimization [92.55503085245304]
メッシュ転送におけるppe層の能力と,そのアドバンテージを,現代の表面マッピング技術と比較した。
最も重要な点は, パラメタライズフリーな手法であり, 様々な対象形状表現に適用可能であることである。
論文 参考訳(メタデータ) (2021-04-19T08:22:55Z) - Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective
with Transformers [149.78470371525754]
セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。
具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。
トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。
SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
論文 参考訳(メタデータ) (2020-12-31T18:55:57Z)
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。