論文の概要: Enhancing the Efficiency of Complex Systems Crystal Structure Prediction by Active Learning Guided Machine Learning Potential

• arxiv url: http://arxiv.org/abs/2505.08159v1
• Date: Tue, 13 May 2025 01:34:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.388396
• Title: Enhancing the Efficiency of Complex Systems Crystal Structure Prediction by Active Learning Guided Machine Learning Potential
• Title（参考訳）: 能動学習誘導機械学習電位による複雑系結晶構造予測の効率化
• Authors: Jiaxiang Li, Junwei Feng, Jie Luo, Bowen Jiang, Xiangyu Zheng, Jian Lv, Keith Butler, Hanyu Liu, Congwei Xie, Yu Xie, Yanming Ma,
• Abstract要約: 我々は、高度に一般化され、データ効率のよい機械学習ポテンシャルを構築するための柔軟で自動化されたワークフローを提案する。 このワークフローはMg-Ca-H三元系とBe-P-N-O四元系の両方で検証される。
• 参考スコア（独自算出の注目度）: 7.981545383991065
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding multicomponent complex material systems is essential for design of advanced materials for a wide range of technological applications. While state-of-the-art crystal structure prediction (CSP) methods effectively identify new structures and assess phase stability, they face fundamental limitations when applied to complex systems. This challenge stems from the combinatorial explosion of atomic configurations and the vast stoichiometric space, both of which contribute to computational demands that rapidly exceed practical feasibility. In this work, we propose a flexible and automated workflow to build a highly generalizable and data-efficient machine learning potential (MLP), effectively unlocking the full potential of CSP algorithms. The workflow is validated on both Mg-Ca-H ternary and Be-P-N-O quaternary systems, demonstrating substantial machine learning acceleration in high-throughput structural optimization and enabling the efficient identification of promising compounds. These results underscore the effectiveness of our approach in exploring complex material systems and accelerating the discovery of new multicomponent materials.
• Abstract（参考訳）: 多成分複合材料システムを理解することは、幅広い技術応用のための先進的な材料設計に不可欠である。 最先端結晶構造予測(CSP)法は,新しい構造を効果的に同定し,位相安定性を評価するが,複雑なシステムに適用した場合の基本的限界に直面する。 この課題は、原子配置の組合せ的爆発と膨大な確率空間からきており、どちらも実用的な実現可能性を超える計算要求に寄与している。 本研究では,CSPアルゴリズムの潜在能力を効果的に解き放ち,高度に一般化可能な,データ効率のよい機械学習ポテンシャル(MLP)を構築するための,柔軟で自動化されたワークフローを提案する。 このワークフローはMg-Ca-H三元系とBe-P-N-O四元系の両方で検証され、高スループット構造最適化において機械学習の大幅な加速を示し、有望な化合物の効率的な同定を可能にする。 これらの結果は, 複雑な物質系の探索と新しい多成分材料の発見の促進における我々のアプローチの有効性を裏付けるものである。

関連論文リスト

• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• Explorative Curriculum Learning for Strongly Correlated Electron Systems [5.443662050302865]
  ニューラルネットワーク量子状態(NQS)の最近の進歩により、複雑な量子多体系に対する高精度な予測が可能になった。 NQSのための転写学習に基づく新しいカリキュラム学習フレームワークを提案する。 計算における約200倍の高速化と,従来の手法に比べて最適化安定性が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2025-05-01T00:46:52Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• A Transformer Based Generative Chemical Language AI Model for Structural Elucidation of Organic Compounds [1.5628118690186594]
  本稿では,概念変換器を用いた生成化学言語人工知能(AI)モデルを提案する。 我々のモデルはエンコーダ・デコーダアーキテクチャと自己保持機構を用いて、最も可能性の高い化学構造を直接生成する。 現代のCPUでは、29個の原子を持つ分子をわずか数秒で構造解明し、83%の精度でトップ15を達成している。
  論文  参考訳（メタデータ） (2024-10-13T15:41:20Z)
• Exploration of superconducting multi-mode cavity architectures for quantum computing [44.99833362998488]
  トランスモン回路に結合した超伝導無線周波数(SRF)キャビティは、高コヒーレンスな量子情報プロセッサを構築する上で有望なプラットフォームであることが証明されている。 本稿では,多セルSRF空洞の設計最適化プロセスについて述べる。
  論文  参考訳（メタデータ） (2023-08-22T19:02:23Z)
• Computational Discovery of Microstructured Composites with Optimal Stiffness-Toughness Trade-Offs [39.393383789980895]
  硬さと硬さの対立は、工学材料設計における根本的な問題である。 物理実験,数値シミュレーション,人工ニューラルネットワークを統合した一般化可能なパイプラインを導入し,両課題に対処する。 本手法は, 固体力学以外の様々な研究領域において, 計算設計の青写真を提供する。
  論文  参考訳（メタデータ） (2023-02-01T00:50:16Z)
• Data-driven multi-scale modeling and robust optimization of composite structure with uncertainty quantification [0.42581756453559755]
  この章では、先進的なデータ駆動手法を示し、先進的な複合材料をマルチスケールでモデリングするために開発・追加する能力について概説する。 代理モデル/エミュレータによって駆動される有限要素法(FEM)シミュレーションに基づく複合構造物のマルチスケールモデリング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T16:40:11Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。