論文の概要: Integrating Graph Neural Networks and Many-Body Expansion Theory for Potential Energy Surfaces

• arxiv url: http://arxiv.org/abs/2411.01578v1
• Date: Sun, 03 Nov 2024 14:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:47:49.839847
• Title: Integrating Graph Neural Networks and Many-Body Expansion Theory for Potential Energy Surfaces
• Title（参考訳）: ポテンシャルエネルギー表面に対するグラフニューラルネットワークと多体展開理論の統合
• Authors: Siqi Chen, Zhiqiang Wang, Xianqi Deng, Yili Shen, Cheng-Wei Ju, Jun Yi, Lin Xiong, Guo Ling, Dieaa Alhmoud, Hui Guan, Zhou Lin,
• Abstract要約: 第一原理量子力学(QM)モデリングは、物質のサイズが数百の原子を超えるにつれて実現不可能になった。 フラグメントベースグラフニューラルネットワーク(FBGNN)を,フラグメントベース多体展開(MBE)理論に統合する新しい計算ツールを開発した。 FBGNN-MBEの開発は、ディープラーニングモデルをフラグメントベースのQM手法に統合する新しいフレームワークの可能性を示した。
• 参考スコア（独自算出の注目度）: 10.510569940819318
• License:
• Abstract: Rational design of next-generation functional materials relied on quantitative predictions of their electronic structures beyond single building blocks. First-principles quantum mechanical (QM) modeling became infeasible as the size of a material grew beyond hundreds of atoms. In this study, we developed a new computational tool integrating fragment-based graph neural networks (FBGNN) into the fragment-based many-body expansion (MBE) theory, referred to as FBGNN-MBE, and demonstrated its capacity to reproduce full-dimensional potential energy surfaces (FD-PES) for hierarchic chemical systems with manageable accuracy, complexity, and interpretability. In particular, we divided the entire system into basic building blocks (fragments), evaluated their single-fragment energies using a first-principles QM model and attacked many-fragment interactions using the structure-property relationships trained by FBGNNs. Our development of FBGNN-MBE demonstrated the potential of a new framework integrating deep learning models into fragment-based QM methods, and marked a significant step towards computationally aided design of large functional materials.
• Abstract（参考訳）: 次世代機能性材料の合理的設計は、その電子構造の定量的予測に頼っていた。 第一原理量子力学(QM)モデリングは、物質のサイズが数百の原子を超えるにつれて実現不可能になった。 本研究では,フラグメントベースグラフニューラルネットワーク(FBGNN)をFBGNN-MBEと呼ばれるフラグメントベース多体展開(MBE)理論に統合する新しい計算ツールを開発した。 特に,システム全体を基本構造ブロック(フラグメント)に分割し,第1原理QMモデルを用いて単一フラグメントエネルギーを評価し,FBGNNによって訓練された構造-プロパティ関係を用いて多フラグメント相互作用を攻撃した。 我々のFBGNN-MBEの開発は、深層学習モデルを断片的QM手法に統合する新たなフレームワークの可能性を示し、大規模機能材料の設計をコンピュータで支援するための重要なステップとなった。

関連論文リスト

• Rapid and Automated Alloy Design with Graph Neural Network-Powered LLM-Driven Multi-Agent Systems [0.0]
  マルチエージェントAIモデルは、新しい金属合金の発見を自動化するために使用される。 MLをベースとした原子間ポテンシャルをモデルとした立方晶(bcc)合金のNbMoTa族に着目した。 LLMをベースとしたエージェントの動的協調により、GNNの予測力を相乗化することにより、システムは巨大な合金設計空間を自律的にナビゲートする。
  論文  参考訳（メタデータ） (2024-10-17T17:06:26Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• From Graphs to Qubits: A Critical Review of Quantum Graph Neural Networks [56.51893966016221]
  量子グラフニューラルネットワーク(QGNN)は、量子コンピューティングとグラフニューラルネットワーク(GNN)の新たな融合を表す。 本稿では,QGNNの現状を批判的にレビューし,様々なアーキテクチャを探求する。 我々は、高エネルギー物理学、分子化学、ファイナンス、地球科学など多種多様な分野にまたがる応用について論じ、量子的優位性の可能性を強調した。
  論文  参考訳（メタデータ） (2024-08-12T22:53:14Z)
• PARC: Physics-Aware Recurrent Convolutional Neural Networks to Assimilate Meso-scale Reactive Mechanics of Energetic Materials [0.0]
  衝撃開始エネルギー材料(EM)のメソスケール熱力学を学習する深層学習アルゴリズムであるPARCニューラルネットワークについて述べる。 PARCにおける人工ニューロンの可視化は、EM熱力学の重要な側面に光を当てることと、EMを概念化する追加レンズを提供することを実証する。
  論文  参考訳（メタデータ） (2022-04-04T14:29:35Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Exact representations of many body interactions with RBM neural networks [77.34726150561087]
  我々は、RBMの表現力を利用して、多体接触相互作用を1体演算子に正確に分解する。 この構成は、ハバードモデルでよく知られたヒルシュの変換を、核物理学におけるピオンレスFTのようなより複雑な理論に一般化する。
  論文  参考訳（メタデータ） (2020-05-07T15:59:29Z)
• Geometric deep learning for computational mechanics Part I: Anisotropic Hyperelasticity [1.8606313462183062]
  本稿では, 幾何学的深層学習を用いた最初の試みであり, ソボレフトレーニングには非ユークリッドマイクロ構造データが含まれており, 異方性超構造体機械学習モデルを有限変形範囲でトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-01-08T02:07:39Z)

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。