論文の概要: Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science

• arxiv url: http://arxiv.org/abs/2502.19081v1
• Date: Wed, 26 Feb 2025 12:19:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:56:16.119508
• Title: Efficient and Accurate Spatial Mixing of Machine Learned Interatomic Potentials for Materials Science
• Title（参考訳）: 材料科学における学習された原子間ポテンシャルの効率的かつ正確な空間混合
• Authors: Fraser Birks, Thomas D Swinburne, James R Kermode,
• Abstract要約: 機械学習型原子間ポテンシャルは、ほぼ第一原理の精度を提供するが、計算コストが高い。 我々は,原子間ポテンシャルを空間的に混合することによりシミュレーションを高速化するための,効率的で柔軟なLAMMPSパッケージであるML-mixを提案する。 構成空間の関連領域における「拡張的」参照と密に一致する「チープ」近似モデルを生成することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine-learned interatomic potentials offer near first-principles accuracy but are computationally expensive, limiting their application in large-scale molecular dynamics simulations. Inspired by quantum mechanics/molecular mechanics methods, we present ML-MIX, an efficient and flexible LAMMPS package for accelerating simulations by spatially mixing interatomic potentials of different complexities. Through constrained linear fitting, we show it is possible to generate a 'cheap' approximate model which closely matches an 'expensive' reference in relevant regions of configuration space. We demonstrate the capability of ML-MIX through case-studies in Si, Fe, and W-He systems, achieving up to an 11x speedup on 8,000 atom systems without sacrificing accuracy on static and dynamic quantities, including calculation of minimum energy paths and dynamical simulations of defect diffusion. For larger domain sizes, we show that the achievable speedup of ML-MIX simulations is limited only by the relative speed of the cheap potential over the expensive potential. The ease of use and flexible nature of this method will extend the practical reach of MLIPs throughout computational materials science, enabling parsimonious application to large spatial and temporal domains.
• Abstract（参考訳）: 機械学習された原子間ポテンシャルは、ほぼ第一原理の精度を提供するが、計算コストが高く、大規模な分子動力学シミュレーションでの応用を制限している。 量子力学/分子力学法に着想を得たML-MIXは,複雑度の異なる原子間ポテンシャルを空間的に混合することによりシミュレーションを加速する,効率的かつ柔軟なLAMMPSパッケージである。 制約付き線形フィッティングにより、構成空間の関連領域における「拡張」参照と密に一致する「チープ」近似モデルを生成することができることを示す。 我々は,Si,Fe,W-He系におけるケーススタディによるML-MIXの能力を示し,最小エネルギー経路の計算や欠陥拡散の動的シミュレーションを含む静的および動的量の精度を犠牲にすることなく,8,000原子系の最大11倍の高速化を実現した。 より大きなドメインサイズに対して、ML-MIXシミュレーションの達成可能な高速化は、高価なポテンシャルに対する安価なポテンシャルの相対的な速度によってのみ制限されることを示す。 この手法の使いやすさと柔軟な性質は、計算材料科学全体を通してMLIPの実践的リーチを拡大し、空間的および時間的領域へのパシモニアスな適用を可能にする。

関連論文リスト

• 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)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
  本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。 我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
  論文  参考訳（メタデータ） (2023-05-21T03:51:03Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Simulate Time-integrated Coarse-grained Molecular Dynamics with Multi-Scale Graph Networks [4.444748822792469]
  学習に基づく力場はアブ・イニシアトMDシミュレーションの高速化に大きな進歩を遂げているが、現実の多くのアプリケーションでは不十分である。 非常に大きな時間ステップで、粗粒MDを直接シミュレートするマルチスケールグラフニューラルネットワークを学習することで、これらの課題に対処することを目指している。
  論文  参考訳（メタデータ） (2022-04-21T18:07:08Z)
• NNP/MM: Accelerating molecular dynamics simulations with machine learning potentials and molecular mechanic [38.50309739333058]
  ニューラルネットワーク電位(NNP)と分子力学(MM)を組み合わせたハイブリッド手法(NNP/MM)の最適化実装を提案する。 このアプローチは、小さな分子のようなシステムの一部をNNPを用いてモデル化し、残りのシステムにMMを用いて効率を向上する。 これにより, シミュレーション速度を5倍に向上し, 複合体毎の1マイクロ秒の同時サンプリングを実現し, この種のシミュレーションで報告された最長のシミュレーションとなった。
  論文  参考訳（メタデータ） (2022-01-20T10:57:20Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• 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)
• Molecular spin qudits for quantum simulation of light-matter interactions [62.223544431366896]
  分子スピンキューディットは、物質と強く相互作用する光子場の量子力学をシミュレートする理想的なプラットフォームを提供する。 提案した分子量子シミュレータの基本単位は、マイクロ波パルスのみで制御されるスピン1/2とスピン$S$遷移金属イオンの単純な二量体で実現できる。
  論文  参考訳（メタデータ） (2021-03-17T15:03:12Z)
• Analog quantum simulation of chemical dynamics [0.0]
  アナログ量子シミュレータは、ボゾンモードを用いて分子動力学を効率的にシミュレートし、振動を表現できることを示す。 我々の手法は、ボソニック発振器に制御的に結合されたクーディットを持つ任意のデバイスで実装できる。 提案手法は, 近い将来, 古典的かつ難解な化学動力学シミュレーションを可能にすることを期待する。
  論文  参考訳（メタデータ） (2020-12-03T11:52:38Z)

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。