論文の概要: Flow Matching for Accelerated Simulation of Atomic Transport in Materials

• arxiv url: http://arxiv.org/abs/2410.01464v1
• Date: Wed, 2 Oct 2024 12:16:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 17:34:40.191471
• Title: Flow Matching for Accelerated Simulation of Atomic Transport in Materials
• Title（参考訳）: 物質中の原子輸送の加速シミュレーションのためのフローマッチング
• Authors: Juno Nam, Sulin Liu, Gavin Winter, KyuJung Jun, Soojung Yang, Rafael Gómez-Bombarelli,
• Abstract要約: LiFlowは結晶材料の分子動力学(MD)シミュレーションを加速するための生成フレームワークである。 4,186固体電解質 (SSE) 候補を4温度で25-psのリチウム拡散を観測した。 LiFlowは、短い訓練軌道からより大きなスーパーセルへと一般化し、高い精度を維持しながら、より長いシミュレーションを行う。
• 参考スコア（独自算出の注目度）: 2.326454003953678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce LiFlow, a generative framework to accelerate molecular dynamics (MD) simulations for crystalline materials that formulates the task as conditional generation of atomic displacements. The model uses flow matching, with a Propagator submodel to generate atomic displacements and a Corrector to locally correct unphysical geometries, and incorporates an adaptive prior based on the Maxwell-Boltzmann distribution to account for chemical and thermal conditions. We benchmark LiFlow on a dataset comprising 25-ps trajectories of lithium diffusion across 4,186 solid-state electrolyte (SSE) candidates at four temperatures. The model obtains a consistent Spearman rank correlation of 0.7-0.8 for lithium mean squared displacement (MSD) predictions on unseen compositions. Furthermore, LiFlow generalizes from short training trajectories to larger supercells and longer simulations while maintaining high accuracy. With speed-ups of up to 600,000$\times$ compared to first-principles methods, LiFlow enables scalable simulations at significantly larger length and time scales.
• Abstract（参考訳）: 原子変位の条件生成としてタスクを定式化する結晶材料の分子動力学(MD)シミュレーションを高速化する生成フレームワークであるLiFlowを紹介する。 このモデルはフローマッチングを使用し、原子変位を生成するための Propagator サブモデルと、非物理的幾何学を局所的に補正する Corrector と、化学的および熱的条件を考慮した Maxwell-Boltzmann 分布に基づく適応的な事前計算を組み込む。 4,186固体電解質 (SSE) 候補を4温度で25-psのリチウム拡散を観測した。 このモデルでは、リチウム平均二乗変位(MSD)予測において、一貫したスピアマンランク相関が 0.7-0.8 となる。 さらに、LiFlowは、短い訓練軌道からより大きなスーパーセルへと一般化し、高い精度を維持しながら、より長いシミュレーションを行う。 第一原理法と比較して最大600,000$\times$のスピードアップにより、LiFlowは、はるかに大きな長さと時間スケールでスケーラブルなシミュレーションを可能にする。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Adaptive physics-informed neural operator for coarse-grained non-equilibrium flows [0.0]
  このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。 提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。 0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
  論文  参考訳（メタデータ） (2022-10-27T23:26:57Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Constructing Sub-scale Surrogate Model for Proppant Settling in Inclined Fractures from Simulation Data with Multi-fidelity Neural Network [1.045294624175056]
  傾斜流路における粒子沈降は, シェールガスの油圧破砕時に発生する重要な現象である。 そこで本研究では,MFNN(Multi-fidelity Neural Network)と呼ばれる新しい手法を提案し,その利用法について述べる。 この結果から,MFNN を用いたセッティングサロゲートの構築により,高忠実度データの必要性を低減し,計算コストを80%削減できることが示唆された。 これにより、貯水池でのプロパント沈降速度を迅速に予測する新しい経路が開かれる。
  論文  参考訳（メタデータ） (2021-09-25T08:31:33Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale bridging between electronic structure, statistical mechanics and phase field theories [0.0]
  Li$_xTM$O$$ (TM=Ni, Co, Mn) は、Liイオン電池の電気化学的サイクリング性能が原子スケールでのLi含有量の関数としての結晶構造と相安定性に強く支配されるカソードである。 ここでは、Li$_x$CoO$$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークする。
  論文  参考訳（メタデータ） (2021-04-16T19:00:59Z)
• ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
  多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。 流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。 畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
  論文  参考訳（メタデータ） (2020-04-22T01:55:59Z)
• 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)

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。