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

• arxiv url: http://arxiv.org/abs/2408.15590v2
• Date: Mon, 18 Nov 2024 10:17:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:41.011758
• 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: 原子構造の最適化は、望ましい特性を持つ材料を理解し設計する上で重要な役割を果たす。 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。 本稿では,汎用機械学習の強みをベイズ的アプローチと組み合わせた新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The optimization of atomic structures plays a pivotal role in understanding and designing materials with desired properties. However, conventional computational 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 using Gaussian processes. By using the machine learning potentials as priors for the Gaussian process, the Gaussian process has to learn only the difference between the machine learning potential and the target energy surface calculated for example by density functional theory. This turns out to improve the speed by which the global optimal structure is identified across diverse systems for a well-behaved machine learning potential. The approach is tested on 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、従来の計算手法は、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強大な課題に苦慮することが多い。 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,普遍的な機械学習ポテンシャルの強みをガウス過程を用いたベイズ的アプローチと組み合わせた新しいアプローチを提案する。 ガウス過程の先行として機械学習ポテンシャルを用いることにより、ガウス過程は例えば密度汎関数理論によって計算された機械学習ポテンシャルと対象エネルギー表面との差のみを学習しなければならない。 これにより、グローバルな最適構造がさまざまなシステムにまたがって識別される速度が向上し、機械学習の可能性が高まっていることが判明した。 この手法は周期的なバルク材料、表面構造、クラスターで試験される。

関連論文リスト

• Machine Learning-Accelerated Multi-Objective Design of Fractured Geothermal Systems [17.040963667188525]
  本稿では, フラクチャードメディアにおける熱水シミュレーションと統合した, 能動学習による進化的多目的最適化アルゴリズムについて報告する。 ALEMO法は従来の進化法に比べて1～2桁の速度(10～100倍)で、必要なシミュレーションを著しく削減することを示した。
  論文  参考訳（メタデータ） (2024-11-01T10:39:23Z)
• Latent-Predictive Empowerment: Measuring Empowerment without a Simulator [56.53777237504011]
  我々は、より実用的な方法でエンパワーメントを計算するアルゴリズムであるLatent-Predictive Empowerment(LPE)を提案する。 LPEは、スキルと国家間の相互情報の原則的な置き換えである目的を最大化することで、大きなスキルセットを学習する。
  論文  参考訳（メタデータ） (2024-10-15T00:41:18Z)
• 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)
• Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
  本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。 我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。 本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-10-21T02:03:38Z)
• 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)
• Energy Transformer [64.22957136952725]
  我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。 本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-14T18:51:22Z)
• Robust and Controllable Object-Centric Learning through Energy-based Models [95.68748828339059]
  我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。 既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:11:15Z)
• Contrastive Learning of Coarse-Grained Force Fields [2.610895122644814]
  本稿では,力場を効率的に学習する新しい手法を提案する。 電位差は、分子系の複雑なエネルギー環境をよりよく学習するために、傘サンプリングによるノイズコントラスト推定法を一般化する。
  論文  参考訳（メタデータ） (2022-05-22T16:25:16Z)
• Few-body Bose gases in low dimensions -- a laboratory for quantum dynamics [0.0]
  理論的な観点から, 低次元に閉じ込められた多体低温原子系の最近の進歩を論じる。 我々は主に1次元のボゾン系に焦点をあて、相関の存在によって刺激される量子力学過程の最先端の研究をレビューする前に静的特性の紹介を行う。
  論文  参考訳（メタデータ） (2022-02-22T17:57:20Z)
• Enhancement of quantum correlations and geometric phase for a driven bipartite quantum system in a structured environment [77.34726150561087]
  構造環境下で進化する初期最大絡み合い状態における運転の役割について検討した。 この知識は、散逸動力学の下で量子特性を最もよく保持する物理装置の探索に役立つ。
  論文  参考訳（メタデータ） (2021-03-18T21:11:37Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)

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。