論文の概要: Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
- arxiv url: http://arxiv.org/abs/2502.07293v1
- Date: Tue, 11 Feb 2025 06:34:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:06:03.475630
- Title: Global Universal Scaling and Ultra-Small Parameterization in Machine Learning Interatomic Potentials with Super-Linearity
- Title(参考訳): 超Linearityを有する機械学習原子間ポテンシャルにおける大域的普遍的スケーリングと超小パラメータ化
- Authors: Yanxiao Hu, Ye Sheng, Jing Huang, Xiaoxin Xu, Yuyan Yang, Mingqiang Zhang, Yabei Wu, Caichao Ye, Jiong Yang, Wenqing Zhang,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.605514384729469
- License:
- Abstract: Using machine learning (ML) to construct interatomic interactions and thus potential energy surface (PES) has become a common strategy for materials design and simulations. However, those current models of machine learning interatomic potential (MLIP) provide no relevant physical constrains, and thus may owe intrinsic out-of-domain difficulty which underlies the challenges of model generalizability and physical scalability. Here, by incorporating physics-informed Universal-Scaling law and nonlinearity-embedded interaction function, we develop a Super-linear MLIP with both Ultra-Small parameterization and greatly expanded expressive capability, named SUS2-MLIP. Due to the global scaling rooting in universal equation of state (UEOS), SUS2-MLIP not only has significantly-reduced parameters by decoupling the element space from coordinate space, but also naturally outcomes the out-of-domain difficulty and endows the potentials with inherent generalizability and scalability even with relatively small training dataset. The nonlinearity-enbeding transformation for interaction function expands the expressive capability and make the potentials super-linear. The SUS2-MLIP outperforms the state-of-the-art MLIP models with its exceptional computational efficiency especially for multiple-element materials and physical scalability in property prediction. This work not only presents a highly-efficient universal MLIP model but also sheds light on incorporating physical constraints into artificial-intelligence-aided materials simulation.
- Abstract(参考訳): 機械学習(ML)を用いて原子間相互作用を構築することで、ポテンシャルエネルギー表面(PES)は材料設計やシミュレーションの一般的な戦略となっている。
しかし、これらの機械学習間ポテンシャル(MLIP)の現在のモデルは、関連する物理的制約を与えず、従って、モデル一般化可能性と物理的スケーラビリティの課題を根底に持つ固有の領域外困難を負う可能性がある。
ここでは,物理インフォームド・ユニバーサル・スケーリング法則と非線形エンベッド型相互作用関数を組み込むことで,超スモールパラメータ化とSUS2-MLIPという表現能力の大幅な拡張を両立させた超線形MLIPを開発する。
普遍的状態方程式 (UEOS) のグローバルな拡張根付けにより、SUS2-MLIP は座標空間から要素空間を疎結合させることによって大幅に還元されたパラメータを持つだけでなく、自然に領域外困難を生じさせ、比較的小さな訓練データセットであっても本質的に一般化性と拡張性を持つポテンシャルを与える。
相互作用関数に対する非線形-埋め込み変換は表現能力を拡大し、ポテンシャルを超線形にする。
SUS2-MLIPは最先端のMLIPモデルよりも優れており、特に多要素材料に対する計算効率と特性予測における物理的スケーラビリティに優れる。
この研究は、高効率なユニバーサルMLIPモデルを示すだけでなく、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も光を当てている。
関連論文リスト
- Large Language-Geometry Model: When LLM meets Equivariance [53.8505081745406]
本稿では,3次元物理システムを表現するための新しいフレームワークであるEquiLLMを提案する。
EquiLLMは分子動力学シミュレーション,ヒトの動作シミュレーション,抗体設計など,従来の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2025-02-16T14:50:49Z) - Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials [8.254607304215451]
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。
論文 参考訳(メタデータ) (2025-02-05T23:04:21Z) - Learning local equivariant representations for quantum operators [7.377639942466163]
本稿では,複数の量子演算子を予測するための新しいディープラーニングモデルSLEMを提案する。
SLEMは、計算効率を劇的に改善しながら最先端の精度を達成する。
SLEMの能力は多種多様な2次元および3次元材料にまたがって実証し,限られた訓練データでも高い精度を達成できることを示した。
論文 参考訳(メタデータ) (2024-07-08T15:55:12Z) - FeNNol: an Efficient and Flexible Library for Building Force-field-enhanced Neural Network Potentials [0.0]
FeNNolは、力場強化ニューラルネットワークポテンシャルの構築、トレーニング、実行のための新しいライブラリである。
ハイブリッドモデルを構築するためのフレキシブルでモジュール化されたシステムを提供する。
一般的なANI-2xモデルは、AMOEBAの分極力場とほぼ同等のシミュレーション速度に達する。
論文 参考訳(メタデータ) (2024-05-02T17:25:32Z) - Interpolation and differentiation of alchemical degrees of freedom in machine learning interatomic potentials [0.980222898148295]
原子性物質シミュレーションにおける連続的および微分可能なアルケミカル自由度の利用について報告する。
提案手法は,MLIPのメッセージパッシングおよび読み出し機構の変更とともに,対応する重みを持つアルケミカル原子を入力グラフに導入する。
MLIPのエンドツーエンドの微分可能性により、構成重みに対するエネルギー勾配の効率的な計算が可能となる。
論文 参考訳(メタデータ) (2024-04-16T17:24:22Z) - Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。
結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文 参考訳(メタデータ) (2023-11-01T20:49:59Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳(メタデータ) (2020-08-29T08:39:43Z) - Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。
実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文 参考訳(メタデータ) (2020-06-15T08:23:20Z)
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。