論文の概要: Machine learning models for Si nanoparticle growth in nonthermal plasma
- arxiv url: http://arxiv.org/abs/2501.00003v1
- Date: Thu, 31 Oct 2024 15:10:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-02 11:10:50.547886
- Title: Machine learning models for Si nanoparticle growth in nonthermal plasma
- Title（参考訳）: 非熱プラズマにおけるSiナノ粒子成長の機械学習モデル
- Authors: Matt Raymond, Paolo Elvati, Jacob C. Saldinger, Jonathan Lin, Xuetao Shi, Angela Violi,
- Abstract要約: 非熱プラズマ(NTP)で生成するナノ粒子(NP)は、ユニークな性質と応用を持つ。
本研究では,これらのモデルに必要なパラメータの推定を高速化する上での課題に対処する。
我々はこれらの手法を古典分子動力学データに適用し, NTPにおけるシランフラグメントの衝突に伴う過程を解析した。
- 参考スコア（独自算出の注目度）: 0.1979158763744267
- License:
- Abstract: Nanoparticles (NPs) formed in nonthermal plasmas (NTPs) can have unique properties and applications. However, modeling their growth in these environments presents significant challenges due to the non-equilibrium nature of NTPs, making them computationally expensive to describe. In this work, we address the challenges associated with accelerating the estimation of parameters needed for these models. Specifically, we explore how different machine learning models can be tailored to improve prediction outcomes. We apply these methods to reactive classical molecular dynamics data, which capture the processes associated with colliding silane fragments in NTPs. These reactions exemplify processes where qualitative trends are clear, but their quantification is challenging, hard to generalize, and requires time-consuming simulations. Our results demonstrate that good prediction performance can be achieved when appropriate loss functions are implemented and correct invariances are imposed. While the diversity of molecules used in the training set is critical for accurate prediction, our findings indicate that only a fraction (15-25\%) of the energy and temperature sampling is required to achieve high levels of accuracy. This suggests a substantial reduction in computational effort is possible for similar systems.
- Abstract（参考訳）: 非熱プラズマ(NTP)で生成するナノ粒子(NP)は、ユニークな性質と応用を持つ。
しかし、これらの環境での成長をモデル化することは、NTPの非平衡性に起因する重要な課題を生じさせ、それらを記述するのに計算的にコストがかかる。
本研究では,これらのモデルに必要なパラメータの推定を高速化する上での課題に対処する。
具体的には、予測結果を改善するために、異なる機械学習モデルをどのように調整するかを検討する。
これらの手法を古典分子動力学データに適用し, NTPにおけるシランフラグメントの衝突に伴う過程を解析した。
これらの反応は定性的傾向が明確である過程を実証するが、その定量化は困難であり、一般化が困難であり、時間を要するシミュレーションを必要とする。
この結果から,適切な損失関数が実装され,正確な不変性が課された場合に,優れた予測性能が達成できることが示唆された。
トレーニングセットで使用される分子の多様性は正確な予測には重要であるが,高い精度を達成するにはエネルギーと温度サンプリングの分画(15～25倍%)しか必要ではない。
これは、同様のシステムで計算労力を大幅に削減できることを示唆している。
関連論文リスト
- Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized
Control [54.132297393662654]
拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。
拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。
本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
論文 参考訳（メタデータ） (2024-02-23T08:54:42Z) - Adaptive Conditional Quantile Neural Processes [9.066817971329899]
条件量子ニューラルプロセス(CQNP)は、ニューラルプロセスファミリーの新たなメンバーである。
本稿では,情報量推定に焦点をあてることから学習する量子レグレッションの拡張を提案する。
実データと合成データセットによる実験は、予測性能を大幅に改善した。
論文 参考訳（メタデータ） (2023-05-30T06:19:19Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - Generative structured normalizing flow Gaussian processes applied to
spectroscopic data [4.0773490083614075]
物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。
特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。
火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
論文 参考訳（メタデータ） (2022-12-14T23:57:46Z) - Dynamic weights enabled Physics-Informed Neural Network for simulating
the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。
ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。
この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
論文 参考訳（メタデータ） (2022-10-25T07:55:20Z) - SPT-NRTL: A physics-guided machine learning model to predict
thermodynamically consistent activity coefficients [0.12352483741564477]
本研究では,熱力学的に一貫した活動係数を予測する機械学習モデルであるSPT-NRTLを紹介する。
SPT-NRTLは、全ての官能基にわたる活動係数の予測においてUNIFACよりも高い精度を達成する。
論文 参考訳（メタデータ） (2022-09-09T06:21:05Z) - 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) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z) - Learning the Ising Model with Generative Neural Networks [0.0]
ボルツマンマシン(RBM)と変分オートエンコーダ(VAE)の表現特性について検討する。
その結果, RBM と畳み込み VAE は, 磁化, エネルギー, スピンスピン相関の温度依存性を捉えることが可能であることが示唆された。
また, VAEの畳み込み層はスピン相関をモデル化するのに重要であるのに対し, RBMは畳み込みフィルタを使わずに類似あるいはさらに優れた性能を実現する。
論文 参考訳（メタデータ） (2020-01-15T15:04:21Z)
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。