論文の概要: Benchmarking Universal Interatomic Potentials on Zeolite Structures
- arxiv url: http://arxiv.org/abs/2509.07417v1
- Date: Tue, 09 Sep 2025 06:04:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 14:38:27.193313
- Title: Benchmarking Universal Interatomic Potentials on Zeolite Structures
- Title（参考訳）: ゼオライト構造における普遍原子間ポテンシャルのベンチマーク
- Authors: Shusuke Ito, Koki Muraoka, Akira Nakayama,
- Abstract要約: 我々は、平衡構造をテストベッドとして、いくつかの普遍的なIPをベンチマークする。
我々は、ユニバーサル分析IPと事前訓練されたユニバーサル機械学習IPの2つの主要なカテゴリを含む多種多様なユニバーサルIPを選択する。
GFN-FFは、試験された普遍的な分析用IPの中では最高であるが、高度に歪んだシリカ環やアルミノケイ酸塩系では十分な精度が得られない。
- 参考スコア（独自算出の注目度）: 1.2016264781280588
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Interatomic potentials (IPs) with wide elemental coverage and high accuracy are powerful tools for high-throughput materials discovery. While the past few years witnessed the development of multiple new universal IPs that cover wide ranges of the periodic table, their applicability to target chemical systems should be carefully investigated. We benchmark several universal IPs using equilibrium zeolite structures as testbeds. We select a diverse set of universal IPs encompassing two major categories: (i) universal analytic IPs, including GFN-FF, UFF, and Dreiding; (ii) pretrained universal machine learning IPs (MLIPs), comprising CHGNet, ORB-v3, MatterSim, eSEN-30M-OAM, PFP-v7, and EquiformerV2-lE4-lF100-S2EFS-OC22. We compare them with established tailor-made IPs, SLC, ClayFF, and BSFF using experimental data and density functional theory (DFT) calculations with dispersion correction as the reference. The tested zeolite structures comprise pure silica frameworks and aluminosilicates containing copper species, potassium, and organic cations. We found that GFN-FF is the best among the tested universal analytic IPs, but it does not achieve satisfactory accuracy for highly strained silica rings and aluminosilicate systems. All MLIPs can well reproduce experimental or DFT-level geometries and energetics. Among the universal MLIPs, the eSEN-30M-OAM model shows the most consistent performance across all zeolite structures studied. These findings show that the modern pretrained universal MLIPs are practical tools in zeolite screening workflows involving various compositions.
- Abstract（参考訳）: 原子間ポテンシャル(IP)は、広範囲の元素の包含と高精度であり、高出力材料発見のための強力なツールである。
過去数年間、周期表の幅広い範囲をカバーする複数の新しい普遍的なIPの開発を目撃してきたが、それらの化学システムに対する適用性については慎重に検討する必要がある。
我々は、平衡ゼオライト構造をテストベッドとして、いくつかの普遍的なIPをベンチマークする。
我々は2つの主要なカテゴリを含む多種多様なユニバーサルIP群を選択する。
i) GFN-FF, UFF, Dreidingを含む普遍的解析IP
i)CHGNet、ORB-v3、MatterSim、eSEN-30M-OAM、PFP-v7、EquiformerV2-lE4-lF100-S2EFS-OC22からなる事前訓練されたユニバーサル機械学習IP(MLIPs)。
実験データと密度汎関数理論(DFT)計算と分散補正を基準として,確立したテーラーメードIP,SLC,ClayFF,BSFFと比較した。
試験されたゼオライト構造は、純粋なシリカフレームワークと、銅種、カリウム、有機カチオンを含むアルミノケイ酸塩からなる。
GFN-FFは, 試験された全分析IPの中では最良であるが, 高ひずみシリカリングやアルミノケイ酸塩系では良好な精度が得られていない。
全てのMLIPは実験的またはDFTレベルの測地とエネルギーを十分に再現することができる。
ユニバーサルMLIPのうち、eSEN-30M-OAMモデルは、研究されたすべてのゼオライト構造において最も一貫した性能を示す。
これらの結果から,現代のMLIPは様々な構成を含むゼオライトスクリーニングワークフローの実践的ツールであることが明らかとなった。
関連論文リスト
- Evaluating Universal Machine Learning Force Fields Against Experimental Measurements [15.863801293927635]
ユニバーサル機械学習力場(UMLFF)は、周期表を横断する素早い原子論シミュレーションを可能にすることによって、材料科学に革命をもたらすことを約束する。
ここでは, 1500の慎重に硬化した鉱物構造の実験的測定に対して, 実験結合性FFsを総合的に評価するためのフレームワークであるUniFFBenchについて述べる。
計算ベンチマークにおける印象的な性能を達成するモデルは、実験的な複雑さに直面すると、しばしば失敗する。
論文 参考訳（メタデータ） (2025-08-07T18:21:39Z) - Iterative Pretraining Framework for Interatomic Potentials [46.53683458224917]
MLIPモデルの予測性能を向上させるために, 原子間ポテンシャルの反復事前学習(IPIP)を提案する。
IPIPは、反復訓練が最適な局所最小値に収束するのを防ぐための、忘れるメカニズムを組み込んでいる。
汎用力場と比較すると,Mo-S-Oシステムでは予測誤差が80%以上減少し,最大4倍の高速化を実現している。
論文 参考訳（メタデータ） (2025-07-27T03:59:41Z) - PET-MAD, a lightweight 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は、無機固体の最先端MLIPと競合し、分子、有機材料、表面にも信頼性がある。
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) - Energy & Force Regression on DFT Trajectories is Not Enough for Universal Machine Learning Interatomic Potentials [8.254607304215451]
MLIP(Universal Machine Learning Interactomic Potentials)は、材料発見のための高速化されたシミュレーションを可能にする。
MLIPは様々な材料に対して大規模分子動力学(MD)シミュレーションを確実かつ正確に行うことができない。
論文 参考訳（メタデータ） (2025-02-05T23:04:21Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Enhancing Fast Feed Forward Networks with Load Balancing and a Master Leaf Node [49.08777822540483]
高速フィードフォワードネットワーク(FFF)は、入力空間の異なる領域が広いネットワークのニューロンの異なるサブセットを活性化する観察を利用する。
本稿では,FFFアーキテクチャにロードバランシングとマスタリーフ技術を導入し,性能向上とトレーニングプロセスの簡素化を図る。
論文 参考訳（メタデータ） (2024-05-27T05:06:24Z) - Overcoming systematic softening in universal machine learning interatomic potentials by fine-tuning [3.321322648845526]
機械学習原子間ポテンシャル(MLIP)は原子シミュレーションの新しいパラダイムを導入した。
近年,多種多様な資料データセットで事前学習したユニバーサルMLIP(uMLIP)が出現している。
分布外の複雑な原子環境に対する外挿性能はいまだに不明である。
論文 参考訳（メタデータ） (2024-05-11T22:30:47Z) - FS-Real: Towards Real-World Cross-Device Federated Learning [60.91678132132229]
Federated Learning (FL)は、ローカルデータをアップロードすることなく、分散クライアントと協調して高品質なモデルをトレーニングすることを目的としている。
FL研究と実世界のシナリオの間には依然としてかなりのギャップがあり、主に異種デバイスの特徴とそのスケールによって引き起こされている。
本稿では,実世界横断デバイスFL,FS-Realのための効率的でスケーラブルなプロトタイピングシステムを提案する。
論文 参考訳（メタデータ） (2023-03-23T15:37:17Z) - Photonic Quantum Computing For Polymer Classification [62.997667081978825]
2つのポリマークラス (VIS) と近赤外 (NIR) は, ポリマーギャップの大きさに基づいて定義される。
高分子構造の二項分類に対する古典量子ハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2022-11-22T11:59:52Z) - Electromagnetically induced transparency in inhomogeneously broadened
divacancy defect ensembles in SiC [52.74159341260462]
電磁誘導透過 (EIT) は、光信号と電子スピンの量子コヒーレンスの間に強く堅牢な相互作用を与える現象である。
この材料プラットフォームにおいても,計測幾何学の慎重に設計した上で,EITを高視認性で確立できることが示される。
本研究は,多層システムにおけるEITの非均一性に対する理解を提供し,半導体の幅広い欠陥に対する考察である。
論文 参考訳（メタデータ） (2022-03-18T11:22:09Z)
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。