論文の概要: Learning Non-Local Molecular Interactions via Equivariant Local Representations and Charge Equilibration
- arxiv url: http://arxiv.org/abs/2501.19179v1
- Date: Fri, 31 Jan 2025 14:43:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 22:46:13.060874
- Title: Learning Non-Local Molecular Interactions via Equivariant Local Representations and Charge Equilibration
- Title（参考訳）: 等変局所表現と電荷平衡による非局所分子相互作用の学習
- Authors: Paul Fuchs, Michał Sanocki, Julija Zavadlav,
- Abstract要約: 本稿では,非局所的相互作用のモデル化とMPNNの計算コストの増大に対処するため,長距離通信用電荷平衡層(CELLI)を提案する。
一連のベンチマークにより、CellIは厳密な局所的なアレグロアーキテクチャを拡張して、高度に非局所的な相互作用と電荷移動をモデル化できることが示されている。
我々のアーキテクチャは多様なデータセットや大規模構造に一般化し、MPNNに匹敵する精度を約2倍の計算効率で達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph Neural Network (GNN) potentials relying on chemical locality offer near-quantum mechanical accuracy at significantly reduced computational costs. By propagating local information to distance particles, Message-passing neural networks (MPNNs) extend the locality concept to model interactions beyond their local neighborhood. Still, this locality precludes modeling long-range effects, such as charge transfer, electrostatic interactions, and dispersion effects, which are critical to adequately describe many real-world systems. In this work, we propose the Charge Equilibration Layer for Long-range Interactions (CELLI) to address the challenging modeling of non-local interactions and the high computational cost of MPNNs. This novel architecture generalizes the fourth-generation high-dimensional neural network (4GHDNN) concept, integrating the charge equilibration (Qeq) method into a model-agnostic building block for modern equivariant GNN potentials. A series of benchmarks show that CELLI can extend the strictly local Allegro architecture to model highly non-local interactions and charge transfer. Our architecture generalizes to diverse datasets and large structures, achieving an accuracy comparable to MPNNs at about twice the computational efficiency.
- Abstract（参考訳）: ケミカルローカリティに依存したグラフニューラルネットワーク(GNN)ポテンシャルは、計算コストを大幅に削減して、ほぼ量子の機械的精度を提供する。
局所情報を遠くの粒子に伝播させることで、メッセージパッシングニューラルネットワーク(MPNN)は、局所性の概念を拡張して、局所的近傍を越えて相互作用をモデル化する。
それでもこの局所性は、電荷移動、静電相互作用、分散効果などの長距離効果をモデル化することを妨げる。
本研究では,非局所相互作用の困難なモデリングとMPNNの計算コストの増大に対応するために,長距離相互作用のための電荷平衡層(CELLI)を提案する。
このアーキテクチャは、第4世代の高次元ニューラルネットワーク(4GHDNN)の概念を一般化し、電荷平衡(Qeq)法を現代の同変GNNポテンシャルのモデルに依存しないビルディングブロックに統合する。
一連のベンチマークにより、CellIは厳密な局所的なアレグロアーキテクチャを拡張して、高度に非局所的な相互作用と電荷移動をモデル化できることが示されている。
我々のアーキテクチャは多様なデータセットや大規模構造に一般化し、MPNNに匹敵する精度を約2倍の計算効率で達成する。
関連論文リスト
- Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution [1.6112718683989882]
機械学習原子間ポテンシャル(MLIP)は、物質特性を予測するための量子力学シミュレーションの計算的に効率的な代替手段を提供する。
我々は、電子自由度を明示的に処理することで、長距離クーロン相互作用を取り入れた新しい同変MLIPを開発する。
我々は,ベンチマーク周期的および非周期的データセットの領域にわたって,我々のモデルを体系的に評価し,短距離同変および長距離不変MLIPよりもエネルギーおよび力の予測が優れていることを示した。
論文 参考訳（メタデータ） (2025-03-23T05:26:55Z) - AlphaNet: Scaling Up Local-frame-based Atomistic Interatomic Potential [24.9325296129376]
原子間相互作用の計算効率と予測精度を同時に向上する局所等フレームモデルであるAlphaNetを提案する。
AlphaNetは、表現能力が向上した原子環境をエンコードし、精度と力の予測の最先端を達成する。
論文 参考訳（メタデータ） (2025-01-13T09:28:47Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Scalable Mechanistic Neural Networks [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳（メタデータ） (2024-09-26T08:16:59Z) - 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) - Equivariant Matrix Function Neural Networks [1.8717045355288808]
解析行列同変関数を通じて非局所的相互作用をパラメータ化する新しいアーキテクチャであるマトリックス関数ニューラルネットワーク(MFNs)を導入する。
MFNは量子系の複雑な非局所的な相互作用を捉えることができ、新しい最先端の力場への道を歩むことができる。
論文 参考訳（メタデータ） (2023-10-16T14:17:00Z) - Spatial Attention Kinetic Networks with E(n)-Equivariance [0.951828574518325]
回転、翻訳、反射、n次元幾何学空間上の置換と等価なニューラルネットワークは、物理モデリングにおいて有望であることを示している。
本稿では, エッジベクトルの線形結合をニューラルネットワークでパラメトリケートし, 等価性を実現するための, 簡易な代替関数形式を提案する。
E(n)-等価性を持つ空間的注意運動ネットワーク(SAKE)を設計する。
論文 参考訳（メタデータ） (2023-01-21T05:14:29Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。
その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文 参考訳（メタデータ） (2022-04-15T10:45:26Z) - Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。
egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。
このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文 参考訳（メタデータ） (2022-01-13T16:35:45Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - GINNs: Graph-Informed Neural Networks for Multiscale Physics [1.1470070927586016]
Graph-Informed Neural Network (GINN)は、ディープラーニングと確率的グラフィカルモデル(PGM)を組み合わせたハイブリッドアプローチである。
GINNは、厳密な信頼区間を持つ関連する非ガウスススキュードQoIのカーネル密度推定を生成する。
論文 参考訳（メタデータ） (2020-06-26T05:47:45Z)
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。