論文の概要: Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials

• arxiv url: http://arxiv.org/abs/2408.15590v1
• Date: Wed, 28 Aug 2024 07:26:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 17:03:09.206244
• Title: Bayesian optimization of atomic structures with prior probabilities from universal interatomic potentials
• Title（参考訳）: 普遍原子間ポテンシャルからの先行確率を持つ原子構造のベイズ最適化
• Authors: Peder Lyngby, Casper Larsen, Karsten Wedel Jacobsen,
• Abstract要約: GOFEE/BEACONフレームワークのベイズ的アプローチと、普遍的な機械学習ポテンシャルの強みを組み合わせた新しいアプローチを提案する。 多様なシステムを対象とした比較分析により,本手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The optimization of atomic structures plays a pivotal role in understanding and designing materials with desired properties. However, conventional methods often struggle with the formidable task of navigating the vast potential energy surface, especially in high-dimensional spaces with numerous local minima. Recent advancements in machine learning-driven surrogate models offer a promising avenue for alleviating this computational burden. In this study, we propose a novel approach that combines the strengths of universal machine learning potentials with a Bayesian approach of the GOFEE/BEACON framework. By leveraging the comprehensive chemical knowledge encoded in pretrained universal machine learning potentials as a prior estimate of energy and forces, we enable the Gaussian process to focus solely on capturing the intricate nuances of the potential energy surface. We demonstrate the efficacy of our approach through comparative analyses across diverse systems, including periodic bulk materials, surface structures, and a cluster.
• Abstract（参考訳）: 原子構造の最適化は、望ましい性質を持つ材料を理解し設計する上で重要な役割を担っている。 しかし、従来の手法は、特に多くの局所ミニマを持つ高次元空間において、巨大なポテンシャルエネルギー表面をナビゲートする恐ろしい作業にしばしば苦労する。 機械学習駆動サロゲートモデルの最近の進歩は、この計算負担を軽減するための有望な道を提供する。 本研究では,汎用機械学習の強みと,GOFEE/BEACONフレームワークのベイズ的アプローチを組み合わせた新しいアプローチを提案する。 事前訓練された普遍的機械学習ポテンシャルに符号化された包括的化学知識をエネルギーと力の事前推定として活用することにより、ガウス過程はポテンシャルエネルギー表面の複雑なニュアンスを捉えることにのみ焦点を絞ることができる。 本研究では, 周期的バルク材料, 表面構造, クラスターを含む多種多様なシステムを対象に, 比較分析によるアプローチの有効性を実証する。

関連論文リスト

• Symmetry-invariant quantum machine learning force fields [0.0]
  我々は、データに着想を得た、広範囲な物理関連対称性の集合を明示的に組み込んだ量子ニューラルネットワークを設計する。 この結果から,分子力場生成は量子機械学習の枠組みを生かして著しく利益を得る可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-19T16:15:53Z)
• Advances in machine-learning-based sampling motivated by lattice quantum chromodynamics [4.539861642583362]
  この視点は、格子量子場理論によって動機付けられたMLベースのサンプリングの進歩を概説する。 このアプリケーションのためのMLアルゴリズムの設計は、最大規模のスーパーコンピュータにカスタムMLアーキテクチャをスケールする必要があるなど、重大な課題に直面している。 このアプローチが早期の約束を達成できれば、粒子、核、凝縮物質物理学における第一原理物理学計算への転換ステップとなる。
  論文  参考訳（メタデータ） (2023-09-03T12:25:59Z)
• Higher-order topological kernels via quantum computation [68.8204255655161]
  トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。 本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
  論文  参考訳（メタデータ） (2023-07-14T14:48:52Z)
• Deep Kernel Methods Learn Better: From Cards to Process Optimization [0.7587345054583298]
  能動学習によるDKLはよりコンパクトでスムーズな潜在空間が得られることを示す。 簡単なカードデータセットを用いてこの挙動を実証し、物理系におけるドメイン生成軌道の最適化に拡張する。
  論文  参考訳（メタデータ） (2023-03-25T20:21:29Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection [97.5153823429076]
  グループ同変非拡張演算子に基づく新しい計算パラダイムを導入する。 我々は、薬物設計における重要な問題として、ホスト可能なタンパク質の表面のポケットを検出する、GENEOnetと呼ばれる方法を試した。
  論文  参考訳（メタデータ） (2022-01-31T11:14:51Z)
• 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)
• Efficient construction of tensor-network representations of many-body Gaussian states [59.94347858883343]
  本稿では,多体ガウス状態のテンソルネットワーク表現を効率よく,かつ制御可能な誤差で構築する手法を提案する。 これらの状態には、量子多体系の研究に欠かせないボゾン系およびフェルミオン系二次ハミルトン系の基底状態と熱状態が含まれる。
  論文  参考訳（メタデータ） (2020-08-12T11:30:23Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Mat\'ern Gaussian processes on Riemannian manifolds [81.15349473870816]
  ガウス過程の広く用いられるマタン類を一般化する方法を示す。 また、Mat'ern から広く用いられる2乗指数過程への一般化も拡張する。
  論文  参考訳（メタデータ） (2020-06-17T21:05:42Z)
• Machine Learning Enabled Discovery of Application Dependent Design Principles for Two-dimensional Materials [1.1470070927586016]
  我々は熱力学、機械的、電子的特性を予測するためにモデルのアンサンブルを訓練する。 ほぼ2つの非結合なアプリケーションに対して,45,000近い構造体をスクリーニングする。 有機-無機ペロブスカイトと鉛とスズとのハイブリッドが太陽電池の応用に好適であることが判明した。
  論文  参考訳（メタデータ） (2020-03-19T23:13:50Z)

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。