論文の概要: Graph Attention Hamiltonian Neural Networks: A Lattice System Analysis Model Based on Structural Learning
- arxiv url: http://arxiv.org/abs/2412.10821v1
- Date: Sat, 14 Dec 2024 13:03:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:54:02.124662
- Title: Graph Attention Hamiltonian Neural Networks: A Lattice System Analysis Model Based on Structural Learning
- Title（参考訳）: グラフ注意ハミルトニアンニューラルネットワーク:構造学習に基づく格子系解析モデル
- Authors: Ru Geng, Yixian Gao, Jian Zu, Hong-Kun Zhang,
- Abstract要約: 本稿では,格子ハミルトニアン系の基盤構造を理解するニューラルネットワーク手法であるグラフ注意ハミルトニアンニューラルネットワーク(GAHN)を提案する。
系のどの粒子が相互作用するか、異なる粒子間の相互作用の割合、粒子間の相互作用のポテンシャルエネルギーが対称性を示すかどうかを決定できる。
得られた構造は、ニューラルネットワークモデルがシステムの軌道を予測し続け、システムの動的特性をさらに理解するのに役立ちます。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: A deep understanding of the intricate interactions between particles within a system is a key approach to revealing the essential characteristics of the system, whether it is an in-depth analysis of molecular properties in the field of chemistry or the design of new materials for specific performance requirements in materials science. To this end, we propose Graph Attention Hamiltonian Neural Network (GAHN), a neural network method that can understand the underlying structure of lattice Hamiltonian systems solely through the dynamic trajectories of particles. We can determine which particles in the system interact with each other, the proportion of interactions between different particles, and whether the potential energy of interactions between particles exhibits even symmetry or not. The obtained structure helps the neural network model to continue predicting the trajectory of the system and further understand the dynamic properties of the system. In addition to understanding the underlying structure of the system, it can be used for detecting lattice structural abnormalities, such as link defects, abnormal interactions, etc. These insights benefit system optimization, design, and detection of aging or damage. Moreover, this approach can integrate other components to deduce the link structure needed for specific parts, showcasing its scalability and potential. We tested it on a challenging molecular dynamics dataset, and the results proved its ability to accurately infer molecular bond connectivity, highlighting its scientific research potential.
- Abstract（参考訳）: システム内の粒子間の複雑な相互作用の深い理解は、化学分野における分子特性の詳細な分析や、材料科学における特定の性能要求のための新しい材料の設計など、システムの本質的な特性を明らかにするための重要なアプローチである。
この目的のために,粒子の動的軌跡のみを通して格子ハミルトン系の基盤構造を理解するニューラルネットワークであるグラフ注意ハミルトニアンニューラルネットワーク(GAHN)を提案する。
系のどの粒子が相互作用するか、異なる粒子間の相互作用の割合、粒子間の相互作用のポテンシャルエネルギーが対称性を示すかどうかを決定できる。
得られた構造は、ニューラルネットワークモデルがシステムの軌道を予測し続け、システムの動的特性をさらに理解するのに役立ちます。
システムの基盤構造を理解することに加えて、リンク欠陥や異常相互作用などの格子構造異常を検出するためにも使用できる。
これらの洞察はシステムの最適化、設計、老朽化や損傷の検出に役立ちます。
さらに、このアプローチは、他のコンポーネントを統合して、特定の部分に必要なリンク構造を推論し、そのスケーラビリティとポテンシャルを示す。
分子動力学の挑戦的なデータセットで試し、その結果、分子結合の接続性を正確に推測し、その科学的研究の可能性を強調した。
関連論文リスト
- Decomposing heterogeneous dynamical systems with graph neural networks [0.16492989697868887]
グラフニューラルネットワークは、異種システムの相互作用規則と構造を協調的に学習するように設計できることを示す。
学習された潜在構造と力学は、複雑なシステムを事実上分解するために使うことができる。
論文 参考訳（メタデータ） (2024-07-27T04:03:12Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳（メタデータ） (2023-10-23T00:44:17Z) - Imaginary components of out-of-time correlators and information
scrambling for navigating the learning landscape of a quantum machine
learning model [0.0]
我々は、時間外相関器の未探索の虚構成分が、グラフニューラルネットワークの情報スクランブル能力に関する前例のない洞察を与えることができることを分析的に説明する。
このような分析は、量子情報がそのようなネットワークを介してどのようにスクランブルされるかを明らかにすることによって、量子機械学習モデルのトレーニングをデミステレーションする。
論文 参考訳（メタデータ） (2022-08-29T06:17:28Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning [5.27145343046974]
本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。
我々は、高低自由エネルギー状態の分類に焦点をあてる。
以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
論文 参考訳（メタデータ） (2022-05-06T16:21:00Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳（メタデータ） (2022-03-03T15:13:29Z) - Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。
本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。
小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
論文 参考訳（メタデータ） (2022-02-20T19:07:29Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z) - 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) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。