論文の概要: ADAPT: Lightweight, Long-Range Machine Learning Force Fields Without Graphs

• arxiv url: http://arxiv.org/abs/2509.24115v1
• Date: Sun, 28 Sep 2025 23:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.640612
• Title: ADAPT: Lightweight, Long-Range Machine Learning Force Fields Without Graphs
• Title（参考訳）: ADAPT:グラフのない軽量で長距離の機械学習力場
• Authors: Evan Dramko, Yihuang Xiong, Yizhi Zhu, Geoffroy Hautier, Thomas Reps, Christopher Jermaine, Anastasios Kyrillidis,
• Abstract要約: 第一原理法は、欠陥データベースのスケールを含む欠陥エネルギーと構造を計算するために広く使われている。 MLFFは計算コストが高く、機械学習力場(MLFF)は構造緩和を加速させる魅力的な代替品である。 既存のMLFFのほとんどはグラフニューラルネットワーク(GNN)をベースとしている。 本稿では,グラフ表現を空間内直接座標で置き換えるMLFFである ADAPT (Accelerated Deep Atomic Potential Transformer) を導入する。
• 参考スコア（独自算出の注目度）: 6.683253616106448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point defects play a central role in driving the properties of materials. First-principles methods are widely used to compute defect energetics and structures, including at scale for high-throughput defect databases. However, these methods are computationally expensive, making machine-learning force fields (MLFFs) an attractive alternative for accelerating structural relaxations. Most existing MLFFs are based on graph neural networks (GNNs), which can suffer from oversmoothing and poor representation of long-range interactions. Both of these issues are especially of concern when modeling point defects. To address these challenges, we introduce the Accelerated Deep Atomic Potential Transformer (ADAPT), an MLFF that replaces graph representations with a direct coordinates-in-space formulation and explicitly considers all pairwise atomic interactions. Atoms are treated as tokens, with a Transformer encoder modeling their interactions. Applied to a dataset of silicon point defects, ADAPT achieves a roughly 33 percent reduction in both force and energy prediction errors relative to a state-of-the-art GNN-based model, while requiring only a fraction of the computational cost.
• Abstract（参考訳）: ポイント欠陥は材料の特性を駆動する上で中心的な役割を果たす。 第一原理法は、大規模に高スループットの欠陥データベースを含む欠陥エネルギーと構造を計算するために広く用いられている。 しかし、これらの手法は計算コストが高く、機械学習力場(MLFF)は構造緩和を加速させる魅力的な代替手段となる。 既存のMLFFのほとんどはグラフニューラルネットワーク(GNN)をベースとしている。 どちらの問題も、ポイント欠陥をモデリングする際に特に問題となる。 これらの課題に対処するため、我々は、グラフ表現を空間内直接座標で置き換え、全ての対の原子相互作用を明示的に考慮するMLFFであるADAPT(Accelerated Deep Atomic Potential Transformer)を導入する。 Atomはトークンとして扱われ、Transformerエンコーダがそのインタラクションをモデル化する。 ADAPTはシリコン点欠陥のデータセットに適用し、最先端のGNNモデルと比較して力とエネルギーの予測誤差を約33%削減し、計算コストのごく一部しか必要としない。

関連論文リスト

• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [75.3183193262225]
  本稿では,任意の測地上での自動微分とエンフェクサクタクティック勾配を計算するための最初の手法であるモリファイドグラフニューラル演算子 (mGNO) を提案する。 正規格子上のPDEの例では、mGNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• Balancing Robustness and Efficiency in Embedded DNNs Through Activation Function Selection [1.474723404975345]
  安全クリティカルなアプリケーションのための機械学習ベースの組み込みシステムは、ソフトエラーによる摂動に対して堅牢でなければならない。 ハイパースペクトル画像のセマンティックセグメンテーションのために開発されたエンコーダ・デコーダ畳み込みモデルと自律運転システムへの応用に焦点を当てた。
  論文  参考訳（メタデータ） (2025-04-07T14:21:31Z)
• CWF: Consolidating Weak Features in High-quality Mesh Simplification [50.634070540791555]
  これらの要件をすべて同時に検討するスムーズな機能を提案する。 この官能基は、通常の異方性項と、セトロイド型ボロノイテッセルレーション(CVT)エネルギー項を含む。
  論文  参考訳（メタデータ） (2024-04-24T05:37:17Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Rotation Invariant Graph Neural Networks using Spin Convolutions [28.4962005849904]
  機械学習アプローチは、密度汎関数理論(DFT)を計算的に効率的に近似する可能性がある。 グラフニューラルネットワークにおいて,隣り合う原子の集合間の角度情報をモデル化するための新しい手法を提案する。 結果は大規模なOpen Catalyst 2020データセットで実証されている。
  論文  参考訳（メタデータ） (2021-06-17T14:59:34Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Physics informed deep learning for computational elastodynamics without labeled data [13.084113582897965]
  ラベル付きデータに頼らずにエラストダイナミックス問題をモデル化するために,混合可変出力を持つ物理インフォームドニューラルネットワーク(PINN)を提案する。 その結果,計算力学応用の文脈におけるPINNの有望性を示す。
  論文  参考訳（メタデータ） (2020-06-10T19:05:08Z)

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。