Fugu-MT 論文翻訳(概要): Physics-Informed Weakly Supervised Learning for Interatomic Potentials

論文の概要: Physics-Informed Weakly Supervised Learning for Interatomic Potentials

arxiv url: http://arxiv.org/abs/2408.05215v1
Date: Tue, 23 Jul 2024 12:49:04 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 04:16:58.031607
Title: Physics-Informed Weakly Supervised Learning for Interatomic Potentials
Title（参考訳）: 物理インフォームド弱教師付き原子間ポテンシャル学習
Authors: Makoto Takamoto, Viktor Zaverkin, Mathias Niepert,
Abstract要約: 我々は、機械学習型原子間ポテンシャルのトレーニングのための物理インフォームド、弱教師付きアプローチを導入する。我々は、様々なベースラインモデルとベンチマークデータセットに対して、エネルギーと力の誤差を(しばしば2倍以下に)減らすことを示した。
参考スコア（独自算出の注目度）: 17.165117198519248
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning plays an increasingly important role in computational chemistry and materials science, complementing computationally intensive ab initio and first-principles methods. Despite their utility, machine-learning models often lack generalization capability and robustness during atomistic simulations, yielding unphysical energy and force predictions that hinder their real-world applications. We address this challenge by introducing a physics-informed, weakly supervised approach for training machine-learned interatomic potentials (MLIPs). We introduce two novel loss functions, extrapolating the potential energy via a Taylor expansion and using the concept of conservative forces. Our approach improves the accuracy of MLIPs applied to training tasks with sparse training data sets and reduces the need for pre-training computationally demanding models with large data sets. Particularly, we perform extensive experiments demonstrating reduced energy and force errors -- often lower by a factor of two -- for various baseline models and benchmark data sets. Finally, we show that our approach facilitates MLIPs' training in a setting where the computation of forces is infeasible at the reference level, such as those employing complete-basis-set extrapolation.
Abstract（参考訳）: 機械学習は、計算化学と材料科学においてますます重要な役割を担い、計算集約的なab initio法と第一原理法を補完する。その実用性にもかかわらず、機械学習モデルは、原子論シミュレーション中に一般化能力と堅牢性を欠くことが多く、非物理的エネルギーと実世界の応用を妨げる力の予測をもたらす。本稿では,機械学習型原子間ポテンシャル(MLIP)をトレーニングするための物理インフォームド・弱教師付きアプローチを導入することで,この問題に対処する。テイラー展開によるポテンシャルエネルギーの補間と、保守的な力の概念を用いた2つの新しい損失関数を導入する。提案手法は, 訓練用MLIPの高精度化と, 大規模データセットを用いた計算要求モデルの事前学習の必要性を低減させる。特に、様々なベースラインモデルとベンチマークデータセットに対して、エネルギーと力の誤差(しばしば2倍以下)の低減を実証する広範な実験を行う。最後に,本手法は,完全基底集合外挿法などの参照レベルでの力の計算が不可能な環境でのMLIPの訓練を促進することを示す。

関連論文リスト

Optimal design of experiments in the context of machine-learning inter-atomic potentials: improving the efficiency and transferability of kernel based methods [0.7234862895932991]
原子間相互作用のデータ駆動機械学習(ML)モデルは、原子配列のニュアンスな側面をエネルギーと力の予測に関連付けることができる。主な課題は、化学環境のディスクリプタが、よく明確に定義された連続計量のない高次元の物体であるという事実に起因している。実験の統計的計画と最適設計の古典的な概念は、そのような問題を比較的低い計算コストで緩和するのに役立つことを実証する。
論文参考訳（メタデータ） (2024-05-14T14:14:23Z)
A Comparative Study of Machine Learning Models Predicting Energetics of Interacting Defects [5.574191640970887]
本稿では,相互作用する欠陥のあるシステムの自由エネルギー変化を予測する3つの方法の比較研究を行う。その結果,この限られたデータセットであっても,クラスタ展開モデルによって正確なエネルギー予測が達成できることが示唆された。本研究では,不完全な表面システムに機械学習を適用した予備評価を行う。
論文参考訳（メタデータ） (2024-03-20T02:15:48Z)
Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
論文参考訳（メタデータ） (2024-03-14T16:52:57Z)
Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文参考訳（メタデータ） (2023-11-01T20:49:59Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
On Efficient Training of Large-Scale Deep Learning Models: A Literature Review [90.87691246153612]
ディープラーニングの分野は特にコンピュータビジョン(CV)、自然言語処理(NLP)、音声などにおいて大きな進歩を遂げている。大量のデータに基づいてトレーニングされた大規模なモデルを使用することは、実用的なアプリケーションにとって大きな可能性を秘めている。計算能力の需要が増大する中で、ディープラーニングモデルの訓練の加速技術に関する包括的な要約が期待されている。
論文参考訳（メタデータ） (2023-04-07T11:13:23Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Applying physics-based loss functions to neural networks for improved generalizability in mechanics problems [3.655021726150368]
Informed Machine Learning(PIML)は、過去5年間で、科学者や研究者が機械学習の進歩によって得られる利点を活用するために勢いを増しています。本研究では,物理に基づく損失関数の利用に対処する,PIMLを利用するための新しいアプローチについて論じる。
論文参考訳（メタデータ） (2021-04-30T20:31:09Z)
ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文参考訳（メタデータ） (2021-03-02T03:09:06Z)
Simple and efficient algorithms for training machine learning potentials to force data [2.924868086534434]
Ab initio量子シミュレーションのデータに基づいて訓練された機械学習モデルは、前例のない精度で分子動力学ポテンシャルを生み出している。制限要因の1つは、利用可能なトレーニングデータの量であり、入手するのにコストがかかる。有機化学およびバルクアルミニウムのための実世界のデータセットから力のトレーニングにより、その精度をベンチマークする。
論文参考訳（メタデータ） (2020-06-09T19:36:40Z)

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。