論文の概要: A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors

• arxiv url: http://arxiv.org/abs/2505.23344v1
• Date: Thu, 29 May 2025 11:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.822091
• Title: A Descriptor Is All You Need: Accurate Machine Learning of Nonadiabatic Coupling Vectors
• Title（参考訳）: ディスクリプタは必要なもの:非断熱的結合ベクトルの正確な機械学習
• Abstract要約: 機械駆動シミュレーションのための光バス結合(NAC)を学習するための新しい記述子を開発した。 ドメインの専門知識に基づいてNAC固有の記述子を初めて設計し、報告されていない正確さで学習できることを示します。 私たちの実装はオープンソースのMLatomで利用可能です。
• 参考スコア（独自算出の注目度）: 9.494804724279652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonadiabatic couplings (NACs) play a crucial role in modeling photochemical and photophysical processes with methods such as the widely used fewest-switches surface hopping (FSSH). There is therefore a strong incentive to machine learn NACs for accelerating simulations. However, this is challenging due to NACs' vectorial, double-valued character and the singularity near a conical intersection seam. For the first time, we design NAC-specific descriptors based on our domain expertise and show that they allow learning NACs with never-before-reported accuracy of $R^2$ exceeding 0.99. The key to success is also our new ML phase-correction procedure. We demonstrate the efficiency and robustness of our approach on a prototypical example of fully ML-driven FSSH simulations of fulvene targeting the SA-2-CASSCF(6,6) electronic structure level. This ML-FSSH dynamics leads to an accurate description of $S_1$ decay while reducing error bars by allowing the execution of a large ensemble of trajectories. Our implementations are available in open-source MLatom.
• Abstract（参考訳）: 非断熱結合(NAC)は光化学および光物理過程のモデリングにおいて重要な役割を担っている。 したがって、シミュレーションを加速するためにNACを機械学習するために強いインセンティブがある。 しかし、これはNACsのベクトル的、二重値のキャラクタと円錐交点付近の特異点により困難である。 ドメインの専門知識に基づいてNAC固有の記述子を初めて設計し、これまでに報告されていない精度が0.99ドルを超えるNACの学習を可能にすることを示す。 成功の鍵は、新しいML位相補正手順です。 本研究では,SA-2-CASSCF(6,6)電子構造レベルをターゲットとしたフルベンの完全ML駆動FSSHシミュレーションの試作例に対して,本手法の有効性とロバスト性を示す。 このML-FSSHダイナミクスは、大きな軌道のアンサンブルを実行することでエラーバーを減らしながら、$S_1$の減衰を正確に記述する。 私たちの実装はオープンソースのMLatomで利用可能です。

関連論文リスト

• Bridging the NISQ and Fault-Tolerant Regimes: Generative-ML-Assisted Quantum Selected CI for Molecular Simulations [0.0]
  本報告では,富士通FX700上でのハイブリッド量子古典ワークフローについて述べる。 量子ベースの対角化における2つの構造的非効率性に対処する。 業界にとってより効率的で経済的な薬物発見シミュレーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-29T16:48:44Z)
• Quantum Tunneling-Aware Machine Learning: Physics-Derived Noise Models for Robust Deployment [5.373588450790602]
  量子トンネル対応機械学習(QTAML)を紹介する。 We derived the deployment-time weight-error distribution from first principles using the Wentzel-Kramers-Brillouin (WKB) approximation。 我々は,これらの構造特性を単一配置時アルゴリズムであるTunning-Aware Compensation (TAC) にパッケージ化し,閉形式平均補正と最適層予算配分を組み合わせた。
  論文  参考訳（メタデータ） (2026-05-30T14:21:16Z)
• Neural Collapse by Design: Learning Class Prototypes on the Hypersphere [19.046486593203323]
  クロスエントロピー(CE)は自由度を非拘束にして縮退幾何学に収束させる一方、教師付きコントラスト学習(SCL)は事前訓練中にNCに向けて特徴を駆動するが、ポストホック線形探索フェーズでこの構造を捨てる。 両パラダイムが,ユニットハイパースフィアのプロトタイプと対比する同じ手法の外観に異なっており,そのギャップを埋めるにはそれぞれの障害点を固定する必要があることを示す。 我々の研究は、NCが設計によって到達したハイパースフィアのプロトタイプ学習として教師付き学習を再放送する。
  論文  参考訳（メタデータ） (2026-05-19T12:51:58Z)
• Pretrained Model Representations as Acquisition Signals for Active Learning of MLIPs [4.4406458484306555]
  本稿では,事前学習したMLIPの潜伏空間に,効果的な取得に必要な情報が含まれているかを検討する。 我々は、事前訓練されたMACE電位から直接引き起こされる2つの取得信号を紹介する。 この結果から,事前学習は遅延空間形状とモデル誤差とを一致させ,反応MLIP微調整のための実用的かつ十分な取得信号が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-05-05T16:48:23Z)
• DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
  本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。 メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。 EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
  論文  参考訳（メタデータ） (2026-04-13T03:19:36Z)
• On the Learning Dynamics of Two-layer Linear Networks with Label Noise SGD [93.70725920710208]
  ラベル雑音による勾配降下の学習力学について検討する。 遅延からリッチな体制への移行を駆動する上で,ラベルノイズが重要な役割を担っていることを強調する。 これらの知見をSAM(Sharpness-Aware Minimization)に拡張し、ラベルノイズSGDを規定する原理がより広範な最適化アルゴリズムにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-11T04:26:54Z)
• Exact Discrete Stochastic Simulation with Deep-Learning-Scale Gradient Optimization [0.0]
  連続時間マルコフ連鎖(CTMC)の厳密なシミュレーションは、離散性とノイズ駆動系の振る舞いにおいて不可欠であるが、ジルズピー型アルゴリズムの厳密なカテゴリー選択は勾配に基づく学習を妨げている。 我々は, この制約を, 後方微分からフォワードシミュレーションを分離することにより排除し, 厳密な分類的サンプリングにより, 連続的に並列なGumbel-Softmaxストレートスルーサロゲートを伝播する正確な軌道と勾配を生成する。 本研究により, システム生物学, 化学動力学, 物理, およびCTMCが支配する領域における高次元パラメータ推論と逆設計が可能となった。
  論文  参考訳（メタデータ） (2026-02-23T12:29:43Z)
• Neuronal Attention Circuit (NAC) for Representation Learning [2.0573301822495553]
  線形一階ODEの解法としてアテンションロジット計算を再構成するCT-Attention機構を導入する。 我々は、不規則な時系列分類、自動運転車の車線維持、産業の予後など、さまざまな領域でNACを実装している。
  論文  参考訳（メタデータ） (2025-12-11T04:49:44Z)
• PT$^2$-LLM: Post-Training Ternarization for Large Language Models [52.4629647715623]
  大きな言語モデル(LLM)は、様々なタスクにまたがる印象的な機能を示しているが、その大きなメモリと計算能力は、デプロイメントを妨げている。 PT$2$-LLMを提案する。 その中核は2段精製パイプラインを備えた非対称3次量子化器である。
  論文  参考訳（メタデータ） (2025-09-27T03:01:48Z)
• MaskPro: Linear-Space Probabilistic Learning for Strict (N:M)-Sparsity on Large Language Models [53.36415620647177]
  半構造化された空間は、M$M$の重みからN$の要素を戦略的に保持することで、有望なソリューションを提供する。 既存の(N:M)互換のアプローチは通常、かなりのエラーに悩まされるルールベースの階層的な欲求探索と、禁止的なトレーニングコストを引き起こす勾配駆動学習の2つのカテゴリに分類される。 MaskProという新しい線形空間確率的フレームワークを提案する。これは、M$連続重みごとに事前のカテゴリー分布を学習し、その後、この分布を活用して(N:M)スパーシリティを$N$-wayサンプリングを通じて生成することを目的としている。
  論文  参考訳（メタデータ） (2025-06-15T15:02:59Z)
• Unveiling Induction Heads: Provable Training Dynamics and Feature Learning in Transformers [54.20763128054692]
  我々は,2層変換器が$n$-gramのマルコフ連鎖データ上でICLを実行するためにどのように訓練されているかを検討する。 クロスエントロピー ICL 損失に対する勾配流が極限モデルに収束することを証明する。
  論文  参考訳（メタデータ） (2024-09-09T18:10:26Z)
• STEP: Learning N:M Structured Sparsity Masks from Scratch with Precondition [34.271242093957476]
  そこで我々は,N:M構造を持つ空間マスクを2相で学習するAdam-AwareのレシピであるSTEPを提案する。 STEPは、分散変化を動的にサンプリングすることで、2つの位相の切替点を自動的に識別する。 そこで本研究では,STEPがベースラインレシピの精度低下を軽減し,アグレッシブな構造的疎度比に頑健であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T15:49:03Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Approximate Computing and the Efficient Machine Learning Expedition [9.79841817640016]
  近似コンピューティング(AxC)は、緩和された精度要件を犠牲にして、効率的なシステム実装のための設計代替案として長い間受け入れられてきた。 さまざまなアプリケーション領域におけるAxCの研究活動にもかかわらず、AxCは機械学習(ML)に適用された過去10年間に成長した。
  論文  参考訳（メタデータ） (2022-10-02T12:10:39Z)
• Robust Collaborative Learning with Linear Gradient Overhead [7.250306457887471]
  分散SGD(あるいはD-SGD)のような協調学習アルゴリズムは、故障する機械の傾向が強い。 我々は、標準仮定の下で確実に堅牢な新しいアルゴリズムであるMoNNAを提案する。 運動量とモデルドリフトの間の張力を制御する方法を提案する。
  論文  参考訳（メタデータ） (2022-09-22T11:26:25Z)
• Unsupervised Representation Learning via Neural Activation Coding [66.65837512531729]
  我々は、下流アプリケーションのためのラベルなしデータから深部表現を学習するための新しいアプローチとして、ニューラルアクティベーションコーディング(NAC)を提案する。 我々はNACが連続したデータ表現と離散的なデータ表現の両方を学習し、それぞれ下流の2つのタスクで評価することを示した。
  論文  参考訳（メタデータ） (2021-12-07T21:59:45Z)
• Scalable Lipschitz Residual Networks with Convex Potential Flows [120.27516256281359]
  残差ネットワーク勾配流における凸ポテンシャルを用いることで,1ドルのLipschitz変換が組み込まれていることを示す。 CIFAR-10の包括的な実験は、アーキテクチャのスケーラビリティと、証明可能な防御に$ell$のアプローチの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-25T07:12:53Z)
• Cost Function Unrolling in Unsupervised Optical Flow [6.656273171776146]
  この研究は、教師なしコスト関数でよく使われるトータル変分半ノルムの導出に焦点を当てている。 我々は、コストアンロールと呼ばれる新しい反復スキームにおいて、ハードL1スムーズネス制約に対する微分可能なプロキシを導出する。
  論文  参考訳（メタデータ） (2020-11-30T14:10:03Z)
• Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
  量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。 シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。 これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-28T17:21:25Z)
• Learning Rates as a Function of Batch Size: A Random Matrix Theory Approach to Neural Network Training [2.9649783577150837]
  スパイクされたフィールド依存ランダム行列理論を用いて, ニューラルネットの損失景観に及ぼすミニバッチの影響について検討した。 我々は、スムーズで非ニュートンディープニューラルネットワークのための最大降下および適応訓練規則の解析式を導出する。 VGG/ResNetおよびImageNetデータセットのクレームを検証する。
  論文  参考訳（メタデータ） (2020-06-16T11:55:45Z)

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。