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
• Authors: Jakub Martinka, Lina Zhang, Yi-Fan Hou, Mikołaj Martyka, Jiří Pittner, Mario Barbatti, Pavlo O. Dral,
• 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

• 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。