論文の概要: The dark side of the forces: assessing non-conservative force models for atomistic machine learning

• arxiv url: http://arxiv.org/abs/2412.11569v1
• Date: Mon, 16 Dec 2024 08:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 15:50:00.282763
• Title: The dark side of the forces: assessing non-conservative force models for atomistic machine learning
• Title（参考訳）: 力のダークサイド:原子論的機械学習のための非保守力モデルの評価
• Authors: Filippo Bigi, Marcel Langer, Michele Ceriotti,
• Abstract要約: 顕微鏡シミュレーションにおける非保守モデルの適用性について検討する。 エネルギー保存の欠如は、学習し、制御し、正しいことが難しい。 直接力評価によって得られる加速度を利用する最善の方法は、それを保守的なモデルと組み合わせて使うことであるかもしれない。
• 参考スコア（独自算出の注目度）: 0.6554326244334868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of machine learning to estimate the energy of a group of atoms, and the forces that drive them to more stable configurations, have revolutionized the fields of computational chemistry and materials discovery. In this domain, rigorous enforcement of symmetry and conservation laws has traditionally been considered essential. For this reason, interatomic forces are usually computed as the derivatives of the potential energy, ensuring energy conservation. Several recent works have questioned this physically-constrained approach, suggesting that using the forces as explicit learning targets yields a better trade-off between accuracy and computational efficiency - and that energy conservation can be learned during training. The present work investigates the applicability of such non-conservative models in microscopic simulations. We identify and demonstrate several fundamental issues, from ill-defined convergence of geometry optimization to instability in various types of molecular dynamics. Contrary to the case of rotational symmetry, lack of energy conservation is hard to learn, control, and correct. The best approach to exploit the acceleration afforded by direct force evaluation might be to use it in tandem with a conservative model, reducing - rather than eliminating - the additional cost of backpropagation, but avoiding most of the pathological behavior associated with non-conservative forces.
• Abstract（参考訳）: 機械学習を用いて原子のグループのエネルギーを推定し、それらをより安定した構成に駆動する力は、計算化学と材料発見の分野に革命をもたらした。 この領域では、伝統的に対称性と保存法則の厳格な強制が不可欠とみなされてきた。 このため、原子間力は通常ポテンシャルエネルギーの微分として計算され、エネルギー保存が保証される。 いくつかの最近の研究は、この物理的に制約されたアプローチに疑問を呈しており、明示的な学習目標として力を用いることで、精度と計算効率のトレードオフがより良くなり、訓練中にエネルギー保存が学べることを示唆している。 本研究は, 顕微鏡シミュレーションにおける非保守モデルの適用性について検討する。 我々は、幾何最適化の不明確な収束から、様々な種類の分子動力学における不安定性まで、いくつかの基本的な問題を特定し、実証する。 回転対称性とは対照的に、エネルギー保存の欠如は学習し、制御し、正しい。 直接力評価によって得られる加速度を利用するための最善のアプローチは、それを保守的なモデルと組み合わせて使うことであり、バックプロパゲーションの追加コストを削減するのではなく、非保守的な力に関連するほとんどの病理的行動を避けることである。

関連論文リスト

• Energy-Efficient Pseudo-Ratchet for Brownian Computers through One-Dimensional Quantum Brownian Motion [30.817172862352244]
  1次元(1次元)量子ブラウン運動に基づく新しいアプローチを導入する。 1次元系の量子共鳴効果を利用して、粒子の運動量空間を部分空間に分割する。 本研究では,この擬似ラチェット機構を,エントロピー的な視点から解析する。
  論文  参考訳（メタデータ） (2025-05-13T04:20:07Z)
• Stable and Accurate Orbital-Free DFT Powered by Machine Learning [10.847183316658015]
  ホーエンバーグとコーンは、電子エネルギーと1粒子の電子密度は、密度に関して機能するエネルギーを最小化することで得られることを示した。 この研究は、機械学習が理論とホヘンベルクとコーンのビジョンの実践的実現の間のギャップを狭める上で重要な役割を果たすことを示した。
  論文  参考訳（メタデータ） (2025-03-01T10:39:52Z)
• Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems [11.085215676429858]
  我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。 その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-26T15:36:25Z)
• Control of Overfitting with Physics [44.99833362998488]
  機械学習におけるオーバーフィッティング制御は、物理学や生物学の類推を用いて説明される。 本稿では,GANモデルに対して,生物におけるGANと捕食者・捕食者モデルとの類似性を確立する。
  論文  参考訳（メタデータ） (2024-12-14T07:20:33Z)
• 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)
• Coherent energy and force uncertainty in deep learning force fields [10.2454262799094]
  本研究では,空間的に相関した雑音過程を通じて,エネルギーと力の不確実性がリンクされる機械学習ポテンシャルエネルギーモデルを提案する。 我々は、2つの非平衡分子データセット上でエネルギーと力で訓練されたニューラルネットワーク電位を通過する同変メッセージに対するアプローチを実証する。
  論文  参考訳（メタデータ） (2023-12-07T09:49:05Z)
• Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
  粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。 我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
  論文  参考訳（メタデータ） (2023-02-14T14:35:39Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Nonequilibrium thermodynamics and power generation in open quantum optomechanical systems [0.0]
  オープン量子キャビティ-原子系の熱力学的な一貫した記述を示す。 我々のアプローチは、その非平衡の性質を生かし、エネルギー収支に達する。 どちらの限界においても、発電、エネルギー変換効率、準安定挙動の出現について論じる。
  論文  参考訳（メタデータ） (2022-12-20T12:05:43Z)
• Learned Force Fields Are Ready For Ground State Catalyst Discovery [60.41853574951094]
  学習密度汎関数理論(DFT'')力場が基底触媒発見の準備ができていることを示す。 鍵となる発見は、学習されたポテンシャルからの力による緩和は、評価されたシステムの50%以上においてRPBE関数を用いて緩和された構造と似た、または低いエネルギーを持つ構造をもたらすことである。 対象のDFTエネルギーと同じ最小値の局所調和エネルギー表面上で訓練された力場は、50%以上のケースで低又は類似のエネルギー構造を見出すことができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T07:16:43Z)
• Variational Adiabatic Gauge Transformation on real quantum hardware for effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
  変分アダバティックゲージ変換(VAGT)を導入する。 VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。 VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
  論文  参考訳（メタデータ） (2021-11-16T20:50:08Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• Just a Momentum: Analytical Study of Momentum-Based Acceleration Methods in Paradigmatic High-Dimensional Non-Convex Problem [12.132641563193584]
  損失関数が過剰な場合、バニラ勾配に基づく損失法よりも運動量に基づく方法を使うのが一般的である。 実効的なステップボールのダイナミクスは, 質量の増大によって向上し, 上昇することを示す。
  論文  参考訳（メタデータ） (2021-02-23T15:30:57Z)
• End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
  化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。 プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。 本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
  論文  参考訳（メタデータ） (2020-10-02T20:59:46Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)
• Use the Force, Luke! Learning to Predict Physical Forces by Simulating Effects [79.351446087227]
  物体と相互作用する人間の映像から接触点と物理的力の推測の問題に対処する。 具体的には、シミュレーションを用いて効果を予測し、推定された力がビデオに描かれたものと同じ効果をもたらすことを強制する。
  論文  参考訳（メタデータ） (2020-03-26T17:20:23Z)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。