論文の概要: Orb: A Fast, Scalable Neural Network Potential
- arxiv url: http://arxiv.org/abs/2410.22570v1
- Date: Tue, 29 Oct 2024 22:20:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-31 14:26:22.922424
- Title: Orb: A Fast, Scalable Neural Network Potential
- Title(参考訳): Orb: 高速でスケーラブルなニューラルネットワークの可能性
- Authors: Mark Neumann, James Gin, Benjamin Rhodes, Steven Bennett, Zhiyi Li, Hitarth Choubisa, Arthur Hussey, Jonathan Godwin,
- Abstract要約: 我々は、物質の原子論モデリングのための普遍的な原子間ポテンシャルの族Orbを紹介する。
オルブモデルは、既存の普遍ポテンシャルの3~6倍の速度で、分散材料の範囲のシミュレーションの下で安定している。
我々はOrbを幾何学最適化,モンテカルロ,分子動力学シミュレーションのモデルとして評価する。
- 参考スコア(独自算出の注目度): 4.7051694876381385
- License:
- Abstract: We introduce Orb, a family of universal interatomic potentials for atomistic modelling of materials. Orb models are 3-6 times faster than existing universal potentials, stable under simulation for a range of out of distribution materials and, upon release, represented a 31% reduction in error over other methods on the Matbench Discovery benchmark. We explore several aspects of foundation model development for materials, with a focus on diffusion pretraining. We evaluate Orb as a model for geometry optimization, Monte Carlo and molecular dynamics simulations.
- Abstract(参考訳): 我々は、物質の原子論モデリングのための普遍的な原子間ポテンシャルの族Orbを紹介する。
オルブモデルは、既存の普遍ポテンシャルの3~6倍の速度で、分布材料から外れた範囲のシミュレーションの下で安定しており、リリース時には、マトベンチ・ディスカバリーのベンチマークで他の手法よりも31%の誤差が減少していた。
材料の基礎モデル開発におけるいくつかの側面について考察し,拡散事前学習に着目した。
我々はOrbを幾何学最適化,モンテカルロ,分子動力学シミュレーションのモデルとして評価する。
関連論文リスト
- Generative Modeling with Bayesian Sample Inference [50.07758840675341]
我々はガウス的後代推論の単純な作用から新しい生成モデルを導出する。
生成したサンプルを未知変数として推論することで、ベイズ確率の言語でサンプリングプロセスを定式化する。
我々のモデルは、未知のサンプルを広い初期信念から絞り込むために、一連の予測と後続の更新ステップを使用する。
論文 参考訳(メタデータ) (2025-02-11T14:27:10Z) - Diffusion priors for Bayesian 3D reconstruction from incomplete measurements [0.0]
ベイズフレームワーク内の実験データと組み合わせた拡散モデルについて検討する。
中分解能で粗粒3次元構造を生成する拡散モデルを訓練し、これらを不完全でノイズの多い実験データと統合する。
拡散モデルによる後方サンプリングにより,低分解能,低分解能,部分的な観察から3次元再構成が可能であることが判明した。
論文 参考訳(メタデータ) (2024-12-19T14:28:00Z) - A survey of probabilistic generative frameworks for molecular simulations [0.0]
生成的人工知能は現在、分子科学において広く使われているツールである。
本稿では,フローベースモデルと拡散モデルという2つのカテゴリに大別された生成モデルのクラスを紹介し,説明する。
可変次元, 複雑性, モーダル非対称性を持つデータセットの精度, 計算コスト, 生成速度について検討する。
論文 参考訳(メタデータ) (2024-11-14T12:05:08Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳(メタデータ) (2024-06-17T10:21:01Z) - Graph Neural Networks for Carbon Dioxide Adsorption Prediction in Aluminium-Exchanged Zeolites [3.909855210960908]
分子シミュレーションと比較して吸着特性が4~5桁高速なモデルを提案する。
機械学習モデルから得られた予測はモンテカルロシミュレーションから得られた値と一致している。
このモデルは, 吸着部位の同定に有効であることを示す。
論文 参考訳(メタデータ) (2024-03-19T11:49:08Z) - Unified framework for diffusion generative models in SO(3): applications
in computer vision and astrophysics [1.3362242492170784]
拡散に基づく生成モデルは、画像生成の最先端を表現している。
我々は,3次元回転のリー群へのスコアベース生成モデル(SGM)と拡散確率モデル(DDPM)の拡張を開発し,SO(3)。
論文 参考訳(メタデータ) (2023-12-18T21:07:03Z) - SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。
FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文 参考訳(メタデータ) (2023-10-03T19:24:24Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳(メタデータ) (2022-06-13T03:41:31Z) - 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) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳(メタデータ) (2021-08-26T17:55:11Z) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳(メタデータ) (2020-08-26T20:27:19Z)
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。