論文の概要: Machine-Learning Interatomic Potentials for Long-Range Systems
- arxiv url: http://arxiv.org/abs/2502.04668v1
- Date: Fri, 07 Feb 2025 05:23:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:55:32.057011
- Title: Machine-Learning Interatomic Potentials for Long-Range Systems
- Title(参考訳): ロングランジシステムのための機械学習型原子間ポテンシャル
- Authors: Yajie Ji, Jiuyang Liang, Zhenli Xu,
- Abstract要約: 本稿では,機械学習の力場に長距離インタラクションを統合するための軽量フレームワークを提案する。
様々な畳み込み層にまたがるガウスの乗算器を学習することにより、SOG-Netは様々な長距離減衰挙動を適応的に捉える。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Machine-learning interatomic potentials have emerged as a revolutionary class of force-field models in molecular simulations, delivering quantum-mechanical accuracy at a fraction of the computational cost and enabling the simulation of large-scale systems over extended timescales. However, they often focus on modeling local environments, neglecting crucial long-range interactions. We propose a Sum-of-Gaussians Neural Network (SOG-Net), a lightweight and versatile framework for integrating long-range interactions into machine learning force field. The SOG-Net employs a latent-variable learning network that seamlessly bridges short-range and long-range components, coupled with an efficient Fourier convolution layer that incorporates long-range effects. By learning sum-of-Gaussian multipliers across different convolution layers, the SOG-Net adaptively captures diverse long-range decay behaviors while maintaining close-to-linear computational complexity during training and simulation via non-uniform fast Fourier transforms. The method is demonstrated effective for a broad range of long-range systems.
- Abstract(参考訳): 機械学習の原子間ポテンシャルは、分子シミュレーションにおける力場モデルの革命的なクラスとして現れ、計算コストのごく一部で量子力学的精度を提供し、拡張された時間スケールでの大規模システムのシミュレーションを可能にする。
しかし、彼らはしばしば、重要な長距離相互作用を無視して、ローカル環境のモデリングに焦点を当てる。
機械学習力場に長距離インタラクションを統合する軽量で汎用的なフレームワークであるSum-of-Gaussians Neural Network (SOG-Net)を提案する。
SOG-Netは、短距離と長距離のコンポーネントをシームレスにブリッジする潜在変数学習ネットワークと、長距離効果を組み込んだ効率的なフーリエ畳み込み層を採用している。
様々な畳み込み層にまたがる総和ガウス乗算器を学習することにより、SOG-Netは、非一様高速フーリエ変換によるトレーニングとシミュレーションの間、線形計算の複雑さを維持しながら、様々な長距離減衰挙動を適応的に捉える。
この方法は幅広い長距離システムに有効である。
関連論文リスト
- Quantum Recurrent Neural Networks with Encoder-Decoder for Time-Dependent Partial Differential Equations [3.9179566873079046]
本研究では,エンコーダ・デコーダ・フレームワーク内のリカレントニューラルネットワークについて検討し,Vari Gatedational Circuit UnitsとLong Short-Term Memory Networkを統合した。
我々はハミルトン・ヤコビマン方程式、バーガーズ方程式、グレイ・スコット反応拡散系および3次元ミヒャエル・メンテン反応拡散方程式のアルゴリズムを評価する。
論文 参考訳(メタデータ) (2025-02-19T02:09:43Z) - Enhancing Open Quantum Dynamics Simulations Using Neural Network-Based Non-Markovian Stochastic Schrödinger Equation Method [2.9413085575648235]
ニューラルネットワーク技術と非マルコフシュロディンガー方程式のシミュレーションを組み合わせる手法を提案する。
このアプローチは、特に低温での長時間シミュレーションに必要な軌道の数を著しく減少させる。
論文 参考訳(メタデータ) (2024-11-24T16:57:07Z) - Oscillatory State-Space Models [61.923849241099184]
長いシーケンスを効率的に学習するための線形状態空間モデル(LinOSS)を提案する。
高速な連想並列スキャンを用いて時間とともに統合された安定な離散化により、提案した状態空間モデルが得られる。
我々はLinOSSが普遍であること、すなわち時間変化関数間の連続および因果作用素写像を近似できることを示す。
論文 参考訳(メタデータ) (2024-10-04T22:00:13Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳(メタデータ) (2024-09-05T07:18:09Z) - Accelerating Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。
U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。
高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
論文 参考訳(メタデータ) (2024-06-24T20:13:23Z) - Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps [0.0]
本稿では,マルチスケールシステムにおいて,ディープラーニング技術を用いて正確なタイムステッピング手法を構築する方法について述べる。
結果として得られるフレームワークは、より少ない計算コストで最先端の予測精度を達成する。
論文 参考訳(メタデータ) (2024-04-28T14:05:13Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳(メタデータ) (2022-08-07T09:02:18Z) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2~4桁高速である。
論文 参考訳(メタデータ) (2022-05-05T13:33:03Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳(メタデータ) (2020-06-08T09:53:35Z)
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。