Fugu-MT 論文翻訳(概要): Orb: A Fast, Scalable Neural Network Potential

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

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)
Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
論文参考訳（メタデータ） (2024-04-05T12:40:03Z)
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)
Investigating the Behavior of Diffusion Models for Accelerating Electronic Structure Calculations [24.116064925926914]
機械学習を用いた電子構造計算を著しく高速化する可能性による調査モデルがポテンシャルエネルギー表面の1次構造について学習し、その後高次構造について学習することを示す。構造緩和のために、このモデルは、小さな有機分子の古典的な力場によって生成されるものよりも10倍低いエネルギーのジオメトリを見つける。
論文参考訳（メタデータ） (2023-11-02T17:58:37Z)
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)
Eliminating Lipschitz Singularities in Diffusion Models [51.806899946775076]
拡散モデルは、時間ステップの零点付近で無限のリプシッツをしばしば表すことを示す。これは、積分演算に依存する拡散過程の安定性と精度に脅威をもたらす。我々はE-TSDMと呼ばれる新しい手法を提案し、これは0に近い拡散モデルのリプシッツを除去する。
論文参考訳（メタデータ） (2023-06-20T03:05:28Z)
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。