論文の概要: Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
- arxiv url: http://arxiv.org/abs/2502.03660v1
- Date: Wed, 05 Feb 2025 23:04:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-07 14:33:19.460566
- Title: Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials
- Title(参考訳): DFT軌道上のエネルギーと力の回帰は、ユニバーサル機械学習の原子間ポテンシャルには十分ではない
- Authors: Santiago Miret, Kin Long Kelvin Lee, Carmelo Gonzales, Sajid Mannan, N. M. Anoop Krishnan,
- Abstract要約: MLIP(Universal Machine Learning Interactomic Potentials)は、材料発見のための高速化されたシミュレーションを可能にする。
MLIPは様々な材料に対して大規模分子動力学(MD)シミュレーションを確実かつ正確に行うことができない。
- 参考スコア(独自算出の注目度): 8.254607304215451
- License:
- Abstract: Universal Machine Learning Interactomic Potentials (MLIPs) enable accelerated simulations for materials discovery. However, current research efforts fail to impactfully utilize MLIPs due to: 1. Overreliance on Density Functional Theory (DFT) for MLIP training data creation; 2. MLIPs' inability to reliably and accurately perform large-scale molecular dynamics (MD) simulations for diverse materials; 3. Limited understanding of MLIPs' underlying capabilities. To address these shortcomings, we aargue that MLIP research efforts should prioritize: 1. Employing more accurate simulation methods for large-scale MLIP training data creation (e.g. Coupled Cluster Theory) that cover a wide range of materials design spaces; 2. Creating MLIP metrology tools that leverage large-scale benchmarking, visualization, and interpretability analyses to provide a deeper understanding of MLIPs' inner workings; 3. Developing computationally efficient MLIPs to execute MD simulations that accurately model a broad set of materials properties. Together, these interdisciplinary research directions can help further the real-world application of MLIPs to accurately model complex materials at device scale.
- Abstract(参考訳): MLIP(Universal Machine Learning Interactomic Potentials)は、材料発見のための高速化されたシミュレーションを可能にする。
しかし、現在の研究は、以下によりMLIPを効果的に活用することができない。
1. MLIPトレーニングデータ作成のための密度汎関数理論(DFT)の過度性
2.MLIPが多様な材料に対して大規模分子動力学(MD)シミュレーションを確実かつ正確に行うことができないこと。
3.MLIPの基盤能力の限定的理解
これらの欠点に対処するため、我々はMLIP研究の取り組みが優先されるべきであると主張する。
1.幅広い材料設計空間をカバーする大規模MLIPトレーニングデータ作成(例えばクラスタ理論)に、より正確なシミュレーション手法を適用すること。
2. MLIPの内部動作をより深く理解するために、大規模ベンチマーク、可視化、解釈可能性分析を活用するMLIPメトロジーツールの作成。
3.幅広い材料特性を正確にモデル化したMDシミュレーションを実行するための計算効率の高いMLIPの開発。
これらの学際的な研究の方向性は、デバイス規模で複雑な物質を正確にモデル化するMLIPの現実的な応用を促進するのに役立つ。
関連論文リスト
- DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2025-02-18T02:37:26Z) - Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity [8.605514384729469]
我々は超線形MLIPを開発し,SUS2-MLIPと呼ばれる超線形パラメータ化と拡張された表現能力を両立させた。
SUS2-MLIPは、最先端のMLIPモデルよりも優れた計算効率を持つ。
この研究は、物理的制約を人工知能支援材料シミュレーションに取り入れることに光を当てている。
論文 参考訳(メタデータ) (2025-02-11T06:34:31Z) - Teacher-student training improves accuracy and efficiency of machine learning inter-atomic potentials [31.114245664719455]
機械学習の原子間ポテンシャル(MLIP)は分子動力学(MD)シミュレーションの分野に革命をもたらしている。
本稿では,教師からの潜伏知識(原子エネルギー)を学生のトレーニングの強化に用いる教師学生訓練フレームワークを提案する。
注目すべきは、両方のモデルが同じ量子化学データセットでトレーニングされているにもかかわらず、学生モデルは教師の精度を越えられることだ。
論文 参考訳(メタデータ) (2025-02-07T23:20:43Z) - MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。
我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。
MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
論文 参考訳(メタデータ) (2025-01-18T13:54:00Z) - CoMMIT: Coordinated Instruction Tuning for Multimodal Large Language Models [68.64605538559312]
本稿では,MLLM命令のチューニングを理論的・経験的両面から解析する。
そこで本研究では,学習バランスを定量的に評価する尺度を提案する。
さらに,MLLMの生成分布の更新を促進する補助的損失正規化手法を提案する。
論文 参考訳(メタデータ) (2024-07-29T23:18:55Z) - Composite Material Design for Optimized Fracture Toughness Using Machine Learning [0.0]
本稿では,機械学習(ML)技術を用いた2次元および3次元複合構造の最適化について検討する。
二重カンチレバービーム(Double Cantilever Beam, DCB)試験における破壊靭性とき裂進展に焦点を当てている。
論文 参考訳(メタデータ) (2024-06-23T17:01:14Z) - MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。
実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
論文 参考訳(メタデータ) (2024-02-21T14:22:20Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - Theory-Guided Machine Learning for Process Simulation of Advanced
Composites [0.0]
Theory-Guided Machine Learning (TGML)は、物理法則をMLアルゴリズムに統合することを目指している。
本稿では, 複合材料の加工過程における熱管理に関する3つのケーススタディについて述べる。
論文 参考訳(メタデータ) (2021-03-30T00:49:40Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳(メタデータ) (2020-08-10T06:07:52Z)
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。