論文の概要: Graph Neural Network Prediction of Nonlinear Optical Properties

• arxiv url: http://arxiv.org/abs/2504.19987v1
• Date: Mon, 28 Apr 2025 17:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.522469
• Title: Graph Neural Network Prediction of Nonlinear Optical Properties
• Title（参考訳）: 非線形光学特性のグラフニューラルネットワーク予測
• Authors: Yomn Alkabakibi, Congwei Xie, Artem R. Oganov,
• Abstract要約: 本研究では,NLO特性の予測にAtomistic Line Graph Network (ALIGNN) を用いた深層学習手法を提案する。 その結果, 許容絶対誤差が最大1 pm/V, 相対誤差が0.5以上であれば82.5%の精度が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nonlinear optical (NLO) materials for generating lasers via second harmonic generation (SHG) are highly sought in today's technology. However, discovering novel materials with considerable SHG is challenging due to the time-consuming and costly nature of both experimental methods and first-principles calculations. In this study, we present a deep learning approach using the Atomistic Line Graph Neural Network (ALIGNN) to predict NLO properties. Sourcing data from the Novel Opto-Electronic Materials Discovery (NOEMD) database and using the Kurtz-Perry (KP) coefficient as the key target, we developed a robust model capable of accurately estimating nonlinear optical responses. Our results demonstrate that the model achieves 82.5% accuracy at a tolerated absolute error up to 1 pm/V and relative error not exceeding 0.5. This work highlights the potential of deep learning in accelerating the discovery and design of advanced optical materials with desired properties.
• Abstract（参考訳）: 現在、第2高調波発生(SHG)によるレーザー発生のための非線形光学材料が求められている。 しかし,実験手法と第一原理計算の双方の時間的・費用的な性質から,SHGの優れた新素材の発見は困難である。 本研究では,原子性線グラフニューラルネットワーク(ALIGNN)を用いてNLO特性の予測を行う深層学習手法を提案する。 新規光電子材料探索(NOEMD)データベースからデータを抽出し,KP係数を鍵ターゲットとし,非線形光学応答を正確に推定できるロバストモデルを開発した。 その結果, 許容絶対誤差が最大1 pm/V, 相対誤差が0.5以上であれば82.5%の精度が得られることがわかった。 この研究は、望まれる特性を持つ先進光学材料の発見と設計を加速する深層学習の可能性を強調している。

関連論文リスト

• Latent Tensor Factorization with Nonlinear PID Control for Missing Data Recovery in Non-Intrusive Load Monitoring [2.94258758663678]
  非侵入負荷モニタリング(NILM)が重要なスマートグリッド技術として登場した。 本稿では,2次元のアイデアを持つテンソル(NPIL)モデルのPID-Incorporated Latent factorizationを提案する。 実世界のNILMデータセットを用いた実験結果から,提案したNPILモデルは,欠落したNILMデータを予測する際に,収束率と精度において最先端のモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2025-04-18T05:48:14Z)
• HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
  MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。 モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
  論文  参考訳（メタデータ） (2024-01-21T13:24:41Z)
• Data Distillation for Neural Network Potentials toward Foundational Dataset [6.373914211316965]
  生成モデルは 迅速に 対象のアプリケーションに 有望な材料を提案できる しかし、生成モデルによる材料の予測特性は、アブイニシアト計算によって計算された性質と一致しないことが多い。 本研究は, 拡張アンサンブル分子動力学(MD)を用いて, 金属系, ニッケル中の液相および固相の幅広い構成を確保した。 蒸留データからトレーニングしたNNPは,これらの構造が初期データの一部ではないにもかかわらず,異なるエネルギー最小化クローズパック結晶構造を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-11-09T14:41:45Z)
• 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)
• Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
  本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。 テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
  論文  参考訳（メタデータ） (2022-09-15T18:00:08Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Prediction of the electron density of states for crystalline compounds with Atomistic Line Graph Neural Networks (ALIGNN) [0.0]
  本稿では、最近開発されたAtomistic Line Graph Neural Network(ALIGNN)を拡張して、大量の材料ユニットセル構造のDOSを正確に予測する。 本研究では, 直接離散化スペクトルと, オートエンコーダを用いた圧縮低次元表現の2つの方法を評価する。
  論文  参考訳（メタデータ） (2022-01-20T18:28:22Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)
• Towards Reflectivity profile inversion through Artificial Neural Networks [0.0]
  スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。 本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-10-15T10:09:09Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。