論文の概要: Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition

• arxiv url: http://arxiv.org/abs/2412.15063v1
• Date: Thu, 19 Dec 2024 17:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:30:13.526030
• Title: Graph-neural-network predictions of solid-state NMR parameters from spherical tensor decomposition
• Title（参考訳）: 球面テンソル分解による固体NMRパラメータのグラフニューラルネットワーク予測
• Authors: Chiheb Ben Mahmoud, Louise A. M. Rosset, Jonathan R. Yates, Volker L. Deringer,
• Abstract要約: 核磁気共鳴(NMR)は、物質の局所的な原子構造に敏感な強力な分光法である。 機械学習(ML)は、このような予測を行うための効率的なルートとして登場した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Nuclear magnetic resonance (NMR) is a powerful spectroscopic technique that is sensitive to the local atomic structure of matter. Computational predictions of NMR parameters can help to interpret experimental data and validate structural models, and machine learning (ML) has emerged as an efficient route to making such predictions. Here, we systematically study graph-neural-network approaches to representing and learning tensor quantities for solid-state NMR -- specifically, the anisotropic magnetic shielding and the electric field gradient. We assess how the numerical accuracy of different ML models translates into prediction quality for experimentally relevant NMR properties: chemical shifts, quadrupolar coupling constants, tensor orientations, and even static 1D spectra. We apply these ML models to a structurally diverse dataset of amorphous SiO$_2$ configurations, spanning a wide range of density and local order, to larger configurations beyond the reach of traditional first-principles methods, and to the dynamics of the $\alpha\unicode{x2013}\beta$ inversion in cristobalite. Our work marks a step toward streamlining ML-driven NMR predictions for both static and dynamic behavior of complex materials, and toward bridging the gap between first-principles modeling and real-world experimental data.
• Abstract（参考訳）: 核磁気共鳴(NMR)は、物質の局所的な原子構造に敏感な強力な分光法である。 NMRパラメータの計算的予測は、実験データを解釈し、構造モデルを検証するのに役立つ。 本稿では,固体NMRにおけるテンソル量の表現と学習,特に異方性磁気シールドと電場勾配に関するグラフニューラル・ネットワークのアプローチを系統的に研究する。 我々は、異なるMLモデルの数値精度が、化学シフト、四極結合定数、テンソル配向、さらには静的な1Dスペクトルといった実験的なNMR特性の予測品質にどのように変換されるかを評価する。 これらのMLモデルをアモルファスSiO$_2$構成の構造的多彩なデータセットに適用し、広範囲の密度と局所的な順序をまたがり、従来の第一原理法の到達範囲を超えたより大きな構成と、クリストバライトの$\alpha\unicode{x2013}\beta$逆変換のダイナミクスに適用する。 我々の研究は、複雑な物質の静的挙動と動的挙動の両方に対するML駆動NMR予測の合理化と、第一原理モデリングと実世界の実験データとのギャップを埋めるためのステップである。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• TransPeakNet: Solvent-Aware 2D NMR Prediction via Multi-Task Pre-Training and Unsupervised Learning [5.7279868722119325]
  2次元NMRにおけるクロスピーク予測のための教師なしトレーニングフレームワークを提案する。 このアプローチでは、1Hと13Cシフトの注釈付き1Dデータセット上でMLモデルを事前トレーニングし、教師なしの方法で微調整する。 479名のエキスパートアノテートHSQCスペクトルの評価は,従来の手法よりもモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-17T21:52:51Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• Nanometer-Scale Nuclear Magnetic Resonance Diffraction with Sub-\AA ngstrom Precision [0.0]
  核磁気共鳴回折(NMRd)を用いたナノMRIの新しいアプローチを提案する。 NMRdを原子スケールで実現することで、NMRの分光能力を利用した材料評価のための強力な新しい方法論が生み出される。
  論文  参考訳（メタデータ） (2022-04-01T05:53:52Z)
• Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
  本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。 本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
  論文  参考訳（メタデータ） (2022-01-20T18:28:22Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Blind Source Separation for NMR Spectra with Negative Intensity [0.0]
  我々は、負の強度を含むNMRスペクトル分析のためのブラインド音源分離手法をベンチマークした。 FastICA、SIMPLISMA、NNMFは最高のパフォーマンス技術である。 FastICAとSIMPLISMAの精度は、過剰な(非現実的な)純粋なコンポーネントが予測されると急速に低下する。
  論文  参考訳（メタデータ） (2020-02-07T20:57:48Z)

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。