論文の概要: AlphaNet: Scaling Up Local Frame-based Atomistic Interatomic Potential

• arxiv url: http://arxiv.org/abs/2501.07155v3
• Date: Sat, 15 Mar 2025 02:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:56:54.688702
• Title: AlphaNet: Scaling Up Local Frame-based Atomistic Interatomic Potential
• Title（参考訳）: AlphaNet: ローカルフレームベースの原子間ポテンシャルのスケールアップ
• Authors: Bangchen Yin, Jiaao Wang, Weitao Du, Pengbo Wang, Penghua Ying, Haojun Jia, Zisheng Zhang, Yuanqi Du, Carla P. Gomes, Graeme Henkelman, Chenru Duan, Hai Xiao,
• Abstract要約: AlphaNetは、原子系の局所的なフレームベースの同変モデルである。 原子環境を符号化し、表現能力を高め、エネルギーと力の予測における技術精度の状態を達成している。 精度、効率、転送可能性の相乗効果は、AlphaNetをマルチスケール現象をシミュレートするための変換ツールとして位置づけている。
• 参考スコア（独自算出の注目度）: 24.9325296129376
• License:
• Abstract: Molecular dynamics simulations demand unprecedented accuracy and scalability to tackle grand challenges in energy materials, catalytic processes, and biomolecular design. To bridge this gap, we present AlphaNet, a local frame-based equivariant model that simultaneously advances computational efficiency and predictive precision for atomistic systems. By constructing equivariant local frames with learnable geometric transitions, AlphaNet encodes atomic environments with enhanced representational capacity, achieving state of the art accuracy in energy and force predictions. Extensive benchmarks spanning defected graphene, formate decomposition, inorganic bulks, and large-scale datasets (OC2M and Matbench Discovery) demonstrate its superior performance over existing neural network interatomic potentials while ensuring scalability across diverse system sizes. The synergy of accuracy, efficiency, and transferability positions AlphaNet as a transformative tool for simulating multiscale phenomena, from catalyst dynamics to energy storage interfaces, with direct implications for accelerating the discovery of functional materials and complex molecular systems.
• Abstract（参考訳）: 分子動力学シミュレーションは、エネルギー材料、触媒プロセス、生体分子設計における大きな課題に取り組むために、前例のない精度とスケーラビリティを要求する。 このギャップを埋めるために、我々は、原子系の計算効率と予測精度を同時に向上するローカルフレームベースの同変モデルであるAlphaNetを提案する。 学習可能な幾何学的遷移を持つ同変局所フレームを構築することにより、AlphaNetは、表現能力を高めた原子環境を符号化し、エネルギーと力の予測における最先端の精度を達成する。 欠陥のあるグラフェン、フォルメート分解、無機バルク、大規模データセット(OC2MとMatbench Discovery)にまたがる広範囲なベンチマークでは、既存のニューラルネットワークの原子間ポテンシャルよりも優れたパフォーマンスを示しながら、さまざまなシステムサイズにわたるスケーラビリティを確保している。 精度、効率、伝達可能性の相乗効果は、触媒力学からエネルギー貯蔵界面への多スケール現象をシミュレートするための変換ツールであり、機能性材料や複雑な分子系の発見を加速させる直接的な意味を持つ。

関連論文リスト

• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations [2.04071520659173]
  本稿では,大規模原子論シミュレーションに適したスケーラブルな機械学習フレームワークであるMaterial Learning Algorithms (MALA)パッケージを提案する。 MALAモデルは、状態の局所密度、電子密度、状態の密度、総エネルギーを含む重要な電子観測物を効率的に予測する。 我々は, ホウ素クラスター, 固液相境界を横切るアルミニウム, 大型ベリリウムスラブの積層断層の電子構造を予測した例でMALAの機能を示す。
  論文  参考訳（メタデータ） (2024-11-29T11:10:29Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Unifying Dimensions: A Linear Adaptive Approach to Lightweight Image Super-Resolution [6.857919231112562]
  ウィンドウベーストランスは超高解像度タスクにおいて優れた性能を示した。 畳み込みニューラルネットワークよりも計算複雑性と推論レイテンシが高い。 線形適応ミキサーネットワーク(LAMNet)という,畳み込みに基づくトランスフォーマーフレームワークを構築する。
  論文  参考訳（メタデータ） (2024-09-26T07:24:09Z)
• Compact Multi-Threshold Quantum Information Driven Ansatz For Strongly Interactive Lattice Spin Models [0.0]
  近似量子相互情報(QMI)に基づくアンザッツ建築の体系的手順を提案する。 提案手法は,QMI値に基づいて各層の量子ビット対が選択される層状アンサッツを生成し,より効率的な状態生成と最適化ルーチンを実現する。 その結果,Multi-QIDA法は高い精度を維持しながら計算複雑性を低減し,格子スピンモデルにおける量子シミュレーションに有望なツールであることがわかった。
  論文  参考訳（メタデータ） (2024-08-05T17:07:08Z)
• Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
  本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。 提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
  論文  参考訳（メタデータ） (2024-06-05T04:28:57Z)
• EL-MLFFs: Ensemble Learning of Machine Leaning Force Fields [1.8367772188990783]
  機械学習力場(MLFF)は、量子力学的手法の精度を橋渡しするための有望なアプローチとして登場した。 本稿では,多種多様なMLFFからの予測を統合するため,階層化手法を利用した新しいアンサンブル学習フレームワークEL-MLFFを提案する。 我々は,Cu(100)表面に吸着したメタン分子とメタノールの2つの異なるデータセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2024-03-26T09:09:40Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  ニューラルネットワークのような予測器のための新しいトレーニング原理であるLFP(Layer-wise Feedback Propagation)を提案する。 LFPは、与えられたタスクの解決へのそれぞれの貢献に基づいて、個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分を補強し,有害な部分を弱めるという欲求的アプローチを実現する。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。