論文の概要: MACS: Multi-Agent Reinforcement Learning for Optimization of Crystal Structures

• arxiv url: http://arxiv.org/abs/2506.04195v1
• Date: Wed, 04 Jun 2025 17:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.499211
• Title: MACS: Multi-Agent Reinforcement Learning for Optimization of Crystal Structures
• Title（参考訳）: MACS:結晶構造の最適化のためのマルチエージェント強化学習
• Authors: Elena Zamaraeva, Christopher M. Collins, George R. Darling, Matthew S. Dyer, Bei Peng, Rahul Savani, Dmytro Antypov, Vladimir V. Gusev, Judith Clymo, Paul G. Spirakis, Matthew J. Rosseinsky,
• Abstract要約: マルチエージェント結晶構造最適化(MACS)と呼ばれる新しいマルチエージェント強化学習法を提案する。 MACSは、幾何最適化を部分的に観測可能なマルコフゲームとして扱い、原子はそれらの位置を調整するエージェントであり、安定な構成を集合的に発見する。 我々は,MACSが周期結晶構造を著しく高速に最適化し,エネルギー計算を少なくし,故障率を低くすることを示した。
• 参考スコア（独自算出の注目度）: 5.394291814308372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometry optimization of atomic structures is a common and crucial task in computational chemistry and materials design. Following the learning to optimize paradigm, we propose a new multi-agent reinforcement learning method called Multi-Agent Crystal Structure optimization (MACS) to address periodic crystal structure optimization. MACS treats geometry optimization as a partially observable Markov game in which atoms are agents that adjust their positions to collectively discover a stable configuration. We train MACS across various compositions of reported crystalline materials to obtain a policy that successfully optimizes structures from the training compositions as well as structures of larger sizes and unseen compositions, confirming its excellent scalability and zero-shot transferability. We benchmark our approach against a broad range of state-of-the-art optimization methods and demonstrate that MACS optimizes periodic crystal structures significantly faster, with fewer energy calculations, and the lowest failure rate.
• Abstract（参考訳）: 原子構造の幾何学的最適化は、計算化学と材料設計において一般的かつ重要な課題である。 そこで本研究では,多エージェント結晶構造最適化(MACS)と呼ばれる多エージェント強化学習手法を提案し,周期的結晶構造最適化に対処する。 MACSは、幾何最適化を部分的に観測可能なマルコフゲームとして扱い、原子はそれらの位置を調整するエージェントであり、安定な構成を集合的に発見する。 報告された結晶材料の様々な組成のMACSを訓練し、トレーニング組成物から構造を最適化し、より大きなサイズと見えない組成の構造物を最適化し、その優れたスケーラビリティとゼロショット転送性を確認した。 我々は,最先端の最適化手法に対するアプローチをベンチマークし,MACSが周期的結晶構造を著しく高速に最適化し,エネルギー計算を少なくし,故障率を低くすることを示した。

関連論文リスト

• 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)
• Efficient Symmetry-Aware Materials Generation via Hierarchical Generative Flow Networks [52.13486402193811]
  新しい固体材料は、結晶構造の広大な空間を急速に探索し、安定した領域を探索する必要がある。 既存の手法では、大きな材料空間を探索し、望ましい特性と要求を持った多様なサンプルを生成するのに苦労している。 本研究では, 材料空間の対称性を効果的に活用し, 所望の特性を持つ結晶構造を生成するために, 階層的探索戦略を用いた新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-06T23:53:34Z)
• Unleashing the power of novel conditional generative approaches for new materials discovery [3.972733741872872]
  結晶構造設計問題に対する2つの生成的アプローチを提案する。 1つは条件付き構造変化であり、最もエネルギー的に好ましい構造と全てのより安定なポリモルフィックの間のエネルギー差を利用する。 もう1つは条件付き構造の生成であり、最もエネルギー的に好ましい構造と、その全てのより安定したポリモルフィックの間のエネルギー差を利用する。
  論文  参考訳（メタデータ） (2024-11-05T14:58:31Z)
• Rethinking Gradient-Based Methods: Multi-Property Materials Design Beyond Differentiable Targets [7.559885439354167]
  適応結晶合成器(SMOACS)を用いたマルチプロパティ同時最適化を提案する。 SMOACSは、高温超伝導や大型結晶系へのスケールといった例外的な目標を含む、多目的最適化を可能にする。 5つのターゲット特性と3つのデータセットの実験において、SMOACSは生成モデルとベイズ最適化法より優れている。
  論文  参考訳（メタデータ） (2024-10-11T06:35:48Z)
• Consistent machine learning for topology optimization with microstructure-dependent neural network material models [0.0]
  空間的に異なるミクロ構造対称性と異なる異なるマイクロ構造記述子を持つマルチスケール構造のためのフレームワークを提案する。 本研究は,密度に基づく設計最適化と整合性の統合の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T14:17:43Z)
• Latent Conservative Objective Models for Data-Driven Crystal Structure Prediction [62.36797874900395]
  計算化学において、結晶構造予測は最適化問題である。 この問題に対処する1つのアプローチは、密度汎関数理論(DFT)に基づいてシミュレータを構築し、続いてシミュレーションで探索を実行することである。 我々は,LCOM(最近の保守的客観モデル)と呼ばれる我々の手法が,構造予測の成功率の観点から,最も優れたアプローチと同等に機能することを示す。
  論文  参考訳（メタデータ） (2023-10-16T04:35:44Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• EBM-Fold: Fully-Differentiable Protein Folding Powered by Energy-based Models [53.17320541056843]
  本研究では,データ駆動型生成ネットワークを用いたタンパク質構造最適化手法を提案する。 EBM-Foldアプローチは,従来のロゼッタ構造最適化ルーチンと比較して,高品質なデコイを効率よく生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:40:29Z)

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。