論文の概要: Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
- arxiv url: http://arxiv.org/abs/2409.13390v1
- Date: Fri, 20 Sep 2024 10:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 07:28:56.393739
- Title: Hydrogen under Pressure as a Benchmark for Machine-Learning Interatomic Potentials
- Title（参考訳）: 機械学習型原子間ポテンシャルのベンチマークとしての圧力下の水素
- Authors: Thomas Bischoff, Bastian Jäckl, Matthias Rupp,
- Abstract要約: 機械学習原子間ポテンシャル(MLPs)は、原子系のポテンシャルエネルギー表面の高速でデータ駆動の代理モデルである。
圧力下での水素中の液体-液体相転移の性能を自動的に定量するベンチマークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine-learning interatomic potentials (MLPs) are fast, data-driven surrogate models of atomistic systems' potential energy surfaces that can accelerate ab-initio molecular dynamics (MD) simulations by several orders of magnitude. The performance of MLPs is commonly measured as the prediction error in energies and forces on data not used in their training. While low prediction errors on a test set are necessary, they do not guarantee good performance in MD simulations. The latter requires physically motivated performance measures obtained from running accelerated simulations. However, the adoption of such measures has been limited by the effort and domain knowledge required to calculate and interpret them. To overcome this limitation, we present a benchmark that automatically quantifies the performance of MLPs in MD simulations of a liquid-liquid phase transition in hydrogen under pressure, a challenging benchmark system. The benchmark's h-llpt-24 dataset provides reference geometries, energies, forces, and stresses from density functional theory MD simulations at different temperatures and mass densities. The benchmark's Python code automatically runs MLP-accelerated MD simulations and calculates, quantitatively compares and visualizes pressures, stable molecular fractions, diffusion coefficients, and radial distribution functions. Employing this benchmark, we show that several state-of-the-art MLPs fail to reproduce the liquid-liquid phase transition.
- Abstract（参考訳）: 機械学習原子間ポテンシャル(MLPs)は、原子論系のポテンシャルエネルギー表面の高速でデータ駆動の代理モデルであり、アブ初期分子動力学(MD)シミュレーションを数桁の規模で加速することができる。
MLPの性能は、トレーニングで使われていないデータに対するエネルギーと力の予測誤差として一般的に測定される。
テストセット上での予測誤差は低いが、MDシミュレーションでは良い性能が保証されない。
後者は、加速シミュレーションの実行から得られる物理的動機付けされた性能測定を必要とする。
しかし、そのような措置の採用は、それらを計算し解釈するのに必要な努力とドメイン知識によって制限されている。
この制限を克服するため,圧力下での水素中の液体-液体相転移のMDシミュレーションにおいて,MDシミュレーションにおいてMDPの性能を自動的に評価するベンチマークシステムを提案する。
ベンチマークのh-llpt-24データセットは、異なる温度と質量密度でのMDシミュレーションによる参照測地、エネルギー、力、ストレスを提供する。
ベンチマークのPythonコードは、MDシミュレーションを自動で実行し、圧力、安定な分子分数、拡散係数、放射分布関数を定量的に比較、視覚化する。
このベンチマークを用いて, 液体-液相転移を再現できない状態のMLPがいくつか存在することを示す。
関連論文リスト
- BAMBOO: a predictive and transferable machine learning force field framework for liquid electrolyte development [11.682763325188525]
本稿では,分子動力学(MD)シミュレーションのための新しいフレームワークであるBAMBOOを紹介し,リチウム電池用液体電解質の文脈でその能力を実証する。
BamBOOは密度、粘性、イオン伝導率などの主要な電解質特性を予測するための最先端の精度を示す。
この研究は、一般的な有機液体の性質をシミュレートできる「ユニバーサルMLFF」への道を開くことを目的としている。
論文 参考訳（メタデータ） (2024-04-10T17:31:49Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Evaluating the Transferability of Machine-Learned Force Fields for
Material Property Modeling [2.494740426749958]
本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。
我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。
実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
論文 参考訳（メタデータ） (2023-01-10T00:25:48Z) - Forces are not Enough: Benchmark and Critical Evaluation for Machine
Learning Force Fields with Molecular Simulations [5.138982355658199]
分子動力学(MD)シミュレーション技術は様々な自然科学応用に広く用いられている。
我々は、最先端(SOTA)ML FFモデルの集合をベンチマークし、特に、一般的にベンチマークされる力の精度が、関連するシミュレーション指標とうまく一致していないことを示す。
論文 参考訳（メタデータ） (2022-10-13T17:59:03Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Achieving 100X faster simulations of complex biological phenomena by
coupling ML to HPC ensembles [47.44377051031385]
ML駆動HPCシミュレーションシナリオのプロトタイプのためのツールであるDeepDriveMDを紹介します。
ML駆動のアンサンブルベースのアプリケーションの科学的性能の向上を定量化するために使用します。
論文 参考訳（メタデータ） (2021-04-10T15:52:39Z) - Automated discovery of a robust interatomic potential for aluminum [4.6028828826414925]
機械学習(ML)ベースのポテンシャルは、量子力学(QM)計算の忠実なエミュレーションを、計算コストを大幅に削減することを目的としている。
アクティブラーニング(AL)の原理を用いたデータセット構築のための高度に自動化されたアプローチを提案する。
アルミニウム(ANI-Al)のMLポテンシャル構築によるこのアプローチの実証
転写性を示すために、1.3M原子衝撃シミュレーションを行い、非平衡力学から採取した局所原子環境上でのDFT計算とANI-Al予測がよく一致することを示す。
論文 参考訳（メタデータ） (2020-03-10T19:06:32Z) - A Comparative Study of Machine Learning Models for Predicting the State
of Reactive Mixing [0.0]
反応混合の正確な予測は多くの地球および環境科学問題にとって重要である。
高速で可逆な二分子反応拡散のシナリオを解決するために,高忠実な有限要素法に基づく数値モデルを構築した。
モデル入力パラメータの異なるセットを用いて2,315のシミュレーションを行う。
論文 参考訳（メタデータ） (2020-02-24T22:50:19Z)
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。