Fugu-MT 論文翻訳(概要): MP-ALOE: An r2SCAN dataset for universal machine learning interatomic potentials

論文の概要: MP-ALOE: An r2SCAN dataset for universal machine learning interatomic potentials

arxiv url: http://arxiv.org/abs/2507.05559v1
Date: Tue, 08 Jul 2025 00:45:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-09 16:34:37.462037
Title: MP-ALOE: An r2SCAN dataset for universal machine learning interatomic potentials
Title（参考訳）: MP-ALOE: ユニバーサル機械学習原子間ポテンシャルのためのr2SCANデータセット
Authors: Matthew C. Kuner, Aaron D. Kaplan, Kristin A. Persson, Mark Asta, Daryl C. Chrzan,
Abstract要約: MP-ALOE は、正確な r2SCAN メタ一般化近似を用いて、100万近い DFT 計算のデータセットである。 89個の元素をカバーするMP-ALOEは、アクティブラーニングを用いて生成され、主に非平衡構造で構成されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present MP-ALOE, a dataset of nearly 1 million DFT calculations using the accurate r2SCAN meta-generalized gradient approximation. Covering 89 elements, MP-ALOE was created using active learning and primarily consists of off-equilibrium structures. We benchmark a machine learning interatomic potential trained on MP-ALOE, and evaluate its performance on a series of benchmarks, including predicting the thermochemical properties of equilibrium structures; predicting forces of far-from-equilibrium structures; maintaining physical soundness under static extreme deformations; and molecular dynamic stability under extreme temperatures and pressures. MP-ALOE shows strong performance on all of these benchmarks, and is made public for the broader community to utilize.
Abstract（参考訳）: 我々は,正確なr2SCANメタ一般化勾配近似を用いて,100万近いDFT計算のデータセットであるMP-ALOEを提案する。 89個の元素をカバーするMP-ALOEは、アクティブラーニングを用いて生成され、主に非平衡構造で構成されている。我々はMP-ALOEで訓練された機械学習の原子間ポテンシャルをベンチマークし、平衡構造の熱化学的性質の予測、非平衡構造の力の予測、静的な極端な変形下での物理的音質の維持、極端な温度と圧力下での分子動的安定性などを含む一連のベンチマークでその性能を評価する。 MP-ALOEはこれらのベンチマークすべてで強力なパフォーマンスを示しており、幅広いコミュニティが利用できるように公開されています。

関連論文リスト

Path-integral molecular dynamics with actively-trained and universal machine learning force fields [0.0]
核量子効果(NQEs)の会計は、有限温度での材料特性を著しく変化させることができる。マシンが学習する原子間ポテンシャルは、この課題に対する解決策を提供する。インタフェースは、MLIP-2ソフトウェアパッケージからのモーメントテンソルポテンシャル(MTP)をPIMD計算に統合するために開発された。その結果、実験データ、準調和近似計算、および汎用機械学習力場MatterSimからの予測と比較した。
論文参考訳（メタデータ） (2025-05-20T11:55:22Z)
Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
論文参考訳（メタデータ） (2025-03-18T14:32:51Z)
PET-MAD, a universal interatomic potential for advanced materials modeling [0.0]
機械学習原子間ポテンシャル(MLIP)は原子スケールシミュレーションの範囲を大きく広げている。安定な無機および有機固体を組み合わせたデータセット上で訓練された一般応用MLIPであるPET-MADを紹介する。 PET-MADの精度を確立されたベンチマークと6つの材料の高度なシミュレーションで評価した。
論文参考訳（メタデータ） (2025-03-18T10:35:30Z)
To Use or Not to Use a Universal Force Field [1.25431689228423]
機械学習力場(MLFF)は分子動力学(MD)シミュレーションの強力なツールとして登場した。このパースペクティブは、複合材料システムのシミュレーションのための普遍的MLFFの実現可能性を評価する。
論文参考訳（メタデータ） (2025-03-11T09:23:01Z)
Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。第一原理計算では,10種中8種が室温で超イオン性であることが確認された。本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文参考訳（メタデータ） (2024-11-11T09:01:36Z)
Fine-Tuned Language Models Generate Stable Inorganic Materials as Text [57.01994216693825]
テキストエンコードされた原子構造データに基づく微調整された大規模言語モデルは、実装が簡単で信頼性が高い。我々の最強モデルは、CDVAEの約2倍の速度で準安定であると予測された物質を生成することができる。テキストプロンプト固有の柔軟性のため、我々のモデルは安定物質を無条件に生成するために同時に使用することができる。
論文参考訳（メタデータ） (2024-02-06T20:35:28Z)
Hyperactive Learning (HAL) for Data-Driven Interatomic Potentials [0.0]
本研究は,データベース生成の訓練タスクに特化して,高速化サンプリングアルゴリズムを定式化するためのフレームワークであるハイパーアクティブラーニング(HAL)を提案する。包括的な考え方は、物理的に動機づけられたサンプル(例えば分子動力学)と、システムを高い不確実性へと導くバイアス項から始めることである。合金の場合、AlSi10の高速(100マイクロ秒/原子/cpuコア)ACE電位が生成され、融解温度を精度良く予測できる。高分子の場合、長鎖ポリエチレングリコール(PEG)ポリマーの密度を決定できるACEを用いてHALデータベースを構築する。
論文参考訳（メタデータ） (2022-10-09T11:05:53Z)
Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文参考訳（メタデータ） (2022-03-14T17:24:03Z)
Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文参考訳（メタデータ） (2021-10-18T14:43:50Z)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。