論文の概要: Physics- and data-driven Active Learning of neural network representations for free energy functions of materials from statistical mechanics

• arxiv url: http://arxiv.org/abs/2503.07619v1
• Date: Tue, 25 Feb 2025 01:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 09:17:21.664113
• Title: Physics- and data-driven Active Learning of neural network representations for free energy functions of materials from statistical mechanics
• Title（参考訳）: 統計力学による材料の自由エネルギー関数のためのニューラルネットワーク表現の物理およびデータ駆動型アクティブラーニング
• Authors: Jamie Holber, Krishna Garikipati,
• Abstract要約: 我々は、我々の自由エネルギーモデルに原子情報を統合するために、スケールブリッジングアプローチを採用している。 本研究では,空間充填サンプリング,不確実性に基づくサンプリング,物理インフォームドサンプリングを統合したアクティブラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate free energy representations are crucial for understanding phase dynamics in materials. We employ a scale-bridging approach to incorporate atomistic information into our free energy model by training a neural network on DFT-informed Monte Carlo data. To optimize sampling in the high-dimensional Monte Carlo space, we present an Active Learning framework that integrates space-filling sampling, uncertainty-based sampling, and physics-informed sampling. Additionally, our approach includes methods such as hyperparameter tuning, dynamic sampling, and novelty enforcement. These strategies can be combined to reduce MSE,either globally or in targeted regions of interest,while minimizing the number of required data points. The framework introduced here is broadly applicable to Monte Carlo sampling of a range of materials systems.
• Abstract（参考訳）: 物質の相動力学を理解するためには正確な自由エネルギー表現が不可欠である。 我々は、DFTインフォームドモンテカルロデータ上でニューラルネットワークをトレーニングすることで、我々の自由エネルギーモデルに原子情報を統合するために、スケールブリッジ方式を採用する。 高次元モンテカルロ空間におけるサンプリングを最適化するために,空間充填サンプリング,不確実性に基づくサンプリング,物理インフォームドサンプリングを統合したアクティブラーニングフレームワークを提案する。 さらに,本手法には,ハイパーパラメータチューニング,ダイナミックサンプリング,ノベルティ適用などの手法が組み込まれている。 これらの戦略を組み合わせることで、MSE(世界規模または対象とする関心領域)を削減できると同時に、必要なデータポイントの数を最小化することができる。 ここで導入されたフレームワークは、幅広い材料システムのモンテカルロサンプリングに適用できる。

関連論文リスト

• Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) approach for learning molecular thermodynamics and kinetics [0.0]
  本稿では,グラフニューラルネットワークと State Predictive Information Bottleneck を組み合わせた Graph Neural Network-State Predictive Information Bottleneck (GNN-SPIB) フレームワークを提案する。 提案手法は3つのベンチマークシステムで検証され, 速度の遅いプロセスにおいて, 本質的な構造, 熱力学, 運動学的な情報を予測する。 この手法は複雑なシステムに対して有望であり、事前に定義された反応座標や入力特徴を必要としない効果的なサンプリングを可能にする。
  論文  参考訳（メタデータ） (2024-09-18T09:53:13Z)
• Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy [1.7633275579210346]
  我々は,強化サンプリングと深層生成モデルを組み合わせるアプローチと,機械学習ポテンシャルの能動的学習を併用したアプローチを開発する。 本手法を用いて, 医療・生物学分野における多種多様なシステム群に属する超小型の銀ナノクラスターの異性化について検討する。
  論文  参考訳（メタデータ） (2024-01-29T19:01:31Z)
• Micro-Macro Consistency in Multiscale Modeling: Score-Based Model Assisted Sampling of Fast/Slow Dynamical Systems [0.0]
  物理に基づくマルチ時間動的システムの研究において,サンプリングの高度化のための技術が開発されている。 機械学習の分野では、生成モデルの一般的な目標は、この密度から経験的なサンプルをトレーニングした後、ターゲット密度からサンプリングすることである。 本研究では,SGMをこのような結合フレームワークで利用することにより,マルチスケールな動的システムにおけるサンプリングを改善することができることを示す。
  論文  参考訳（メタデータ） (2023-12-10T00:46:37Z)
• Band-gap regression with architecture-optimized message-passing neural networks [1.9590152885845324]
  AFLOWデータベースからの密度汎関数理論データから材料を金属または半導体/絶縁体として分類するMPNNを訓練する。 次に,MPNNのモデル構造とハイパーパラメータ空間を探索し,非金属と同定された材料のバンドギャップを予測する。 検索から得られる最高のパフォーマンスモデルはアンサンブルにまとめられ、既存のモデルよりもはるかに優れています。
  論文  参考訳（メタデータ） (2023-09-12T16:13:10Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Meta-learning using privileged information for dynamics [66.32254395574994]
  Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。 シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
  論文  参考訳（メタデータ） (2021-04-29T12:18:02Z)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)
• Reinforcement Learning for Minimizing Age of Information in Real-time Internet of Things Systems with Realistic Physical Dynamics [158.67956699843168]
  本稿では,インターネット・オブ・モノ(IoT)デバイスにおける情報量(AoI)と総エネルギー消費の重み付けを最小化する問題について検討する。 サンプリングポリシを最適化するために,分散強化学習手法を提案する。 PM 2.5公害の実データを用いたシミュレーションでは、提案アルゴリズムがAoIの合計を最大17.8%および33.9%削減できることが示された。
  論文  参考訳（メタデータ） (2021-04-04T03:17:26Z)
• Quantum Markov Chain Monte Carlo with Digital Dissipative Dynamics on Quantum Computers [52.77024349608834]
  少数のアンシラ量子ビットを用いて環境との相互作用をシミュレートするデジタル量子アルゴリズムを開発した。 逆イジングモデルの熱状態のシミュレーションによるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2021-03-04T18:21:00Z)

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。