論文の概要: StringNET: Neural Network based Variational Method for Transition Pathways

• arxiv url: http://arxiv.org/abs/2408.12621v1
• Date: Mon, 12 Aug 2024 20:09:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-01 17:02:13.134273
• Title: StringNET: Neural Network based Variational Method for Transition Pathways
• Title（参考訳）: StringNET: 遷移経路のニューラルネットワークに基づく変分法
• Authors: Jiayue Han, Shuting Gu, Xiang Zhou,
• Abstract要約: 準安定系の希少な遷移現象は、非平衡物理および化学過程において重要である。 本研究では, 温度依存性の最大フラックス経路, 最小エネルギー経路, 最小作用経路を0温度で検討する。 変分定式化とディープラーニング技術を用いて,これらのパスをトレーニングするStringNET法を提案する。
• 参考スコア（独自算出の注目度）: 2.6098692031389583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rare transition events in meta-stable systems under noisy fluctuations are crucial for many non-equilibrium physical and chemical processes. In these processes, the primary contributions to reactive flux are predominantly near the transition pathways that connect two meta-stable states. Efficient computation of these paths is essential in computational chemistry. In this work, we examine the temperature-dependent maximum flux path, the minimum energy path, and the minimum action path at zero temperature. We propose the StringNET method for training these paths using variational formulations and deep learning techniques. Unlike traditional chain-of-state methods, StringNET directly parametrizes the paths through neural network functions, utilizing the arc-length parameter as the main input. The tasks of gradient descent and re-parametrization in the string method are unified into a single framework using loss functions to train deep neural networks. More importantly, the loss function for the maximum flux path is interpreted as a softmax approximation to the numerically challenging minimax problem of the minimum energy path. To compute the minimum energy path efficiently and robustly, we developed a pre-training strategy that includes the maximum flux path loss in the early training stage, significantly accelerating the computation of minimum energy and action paths. We demonstrate the superior performance of this method through various analytical and chemical examples, as well as the two- and four-dimensional Ginzburg-Landau functional energy.
• Abstract（参考訳）: ノイズ変動下での準安定系の希少遷移は、多くの非平衡物理および化学過程において重要である。 これらの過程において、反応性フラックスへの主な寄与は、主に2つの準安定状態を結ぶ遷移経路の近くである。 これらの経路の効率的な計算は、計算化学において不可欠である。 本研究では, 温度依存性の最大フラックス経路, 最小エネルギー経路, 最小作用経路を0温度で検討する。 変分定式化とディープラーニング技術を用いて,これらのパスをトレーニングするStringNET法を提案する。 従来のチェーン・オブ・ステートメソッドとは異なり、StringNETはニューラルネットワーク機能を通じて直接パスをパラメータ化し、アーク長パラメータをメイン入力として利用する。 弦法における勾配降下と再パラメータ化のタスクは、損失関数を用いて1つのフレームワークに統合され、ディープニューラルネットワークを訓練する。 さらに、最大フラックスパスの損失関数は、最小エネルギーパスの数値的に挑戦するミニマックス問題に対するソフトマックス近似として解釈される。 本研究は, 最小エネルギー経路を効率よく, 堅牢に計算するために, 初期訓練段階における最大フラックスパス損失を含む事前学習戦略を開発し, 最小エネルギーと行動経路の計算を著しく高速化した。 本手法の優れた性能は, 種々の分析および化学的例, および2次元および4次元ギンズブルグ・ランダウ関数エネルギーを用いて実証した。

関連論文リスト

• Gradient Flow Based Phase-Field Modeling Using Separable Neural Networks [1.2277343096128712]
  勾配流問題の解法として, 位相場の分離可能なニューラルネットワークによる近似を最小化運動方式で提案する。 提案手法は相分離問題に対する最先端の機械学習手法よりも優れている。
  論文  参考訳（メタデータ） (2024-05-09T21:53:27Z)
• Understanding the training of infinitely deep and wide ResNets with Conditional Optimal Transport [26.47265060394168]
  深部ニューラルネットワークの勾配流は遠距離で任意に収束することを示す。 これは空間における有限幅の勾配距離の理論に依存する。
  論文  参考訳（メタデータ） (2024-03-19T16:34:31Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
  本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。 提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。 大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
  論文  参考訳（メタデータ） (2022-11-02T14:35:13Z)
• GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
  3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
  論文  参考訳（メタデータ） (2022-05-30T16:22:53Z)
• Physics informed neural networks for continuum micromechanics [68.8204255655161]
  近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。 グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。 実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
  論文  参考訳（メタデータ） (2021-10-14T14:05:19Z)
• Avoiding local minima in Variational Quantum Algorithms with Neural Networks [0.0]
  変分量子アルゴリズムは、短期計算の先導パラダイムとして登場してきた。 本稿では,勾配景観問題の事例をベンチマークする2つのアルゴリズムを提案する。 提案手法は,コストランドスケープが短期量子コンピューティングアルゴリズムを改善するための実りある道であることを示唆している。
  論文  参考訳（メタデータ） (2021-04-07T07:07:28Z)
• A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
  学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。 フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。 既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
  論文  参考訳（メタデータ） (2019-10-31T02:26:20Z)

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。