論文の概要: Reciprocal Space Attention for Learning Long-Range Interactions

• arxiv url: http://arxiv.org/abs/2510.13055v1
• Date: Wed, 15 Oct 2025 00:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.454322
• Title: Reciprocal Space Attention for Learning Long-Range Interactions
• Title（参考訳）: ロングランジインタラクション学習のための相互空間アテンション
• Authors: Hariharan Ramasubramanian, Alvaro Vazquez-Mayagoitia, Ganesh Sivaraman, Atul C. Thakur,
• Abstract要約: 本稿では,Fourierドメインにおける長距離インタラクションをキャプチャするフレームワークであるReciprocal-Space Attention (RSA)を紹介する。 RSAは、既存のローカルまたは半ローカルMLIPフレームワークと統合することができる。 RSAは、幅広い化学・材料系にわたる長距離物理学を一貫して捉えていることを示す。
• 参考スコア（独自算出の注目度）: 2.5432391525687748
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning interatomic potentials (MLIPs) have revolutionized the modeling of materials and molecules by directly fitting to ab initio data. However, while these models excel at capturing local and semi-local interactions, they often prove insufficient when an explicit and efficient treatment of long-range interactions is required. To address this limitation, we introduce Reciprocal-Space Attention (RSA), a framework designed to capture long-range interactions in the Fourier domain. RSA can be integrated with any existing local or semi-local MLIP framework. The central contribution of this work is the mapping of a linear-scaling attention mechanism into Fourier space, enabling the explicit modeling of long-range interactions such as electrostatics and dispersion without relying on predefined charges or other empirical assumptions. We demonstrate the effectiveness of our method as a long-range correction to the MACE backbone across diverse benchmarks, including dimer binding curves, dispersion-dominated layered phosphorene exfoliation, and the molecular dipole density of bulk water. Our results show that RSA consistently captures long-range physics across a broad range of chemical and materials systems. The code and datasets for this work is available at https://github.com/rfhari/reciprocal_space_attention
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は、初期データを直接適用することで材料や分子のモデリングに革命をもたらした。 しかしながら、これらのモデルは局所的および半局所的な相互作用を捉えるのに優れているが、長距離相互作用の明示的で効率的な処理が必要な場合、しばしば不十分である。 この制限に対処するために、フーリエ領域における長距離インタラクションをキャプチャするフレームワークであるReciprocal-Space Attention (RSA)を導入する。 RSAは、既存のローカルまたは半ローカルMLIPフレームワークと統合することができる。 この研究の中心的な貢献は、線形スケーリングの注意機構をフーリエ空間にマッピングすることで、予め定義された電荷や他の経験的仮定に頼ることなく、静電気や分散のような長距離相互作用の明示的なモデリングを可能にすることである。 本手法は, ダイマー結合曲線, 分散重合層状ホスホレン剥離, バルク水の分子双極子密度など, 様々なベンチマークにおいて, MACEバックボーンに対する長距離補正としての有効性を示す。 以上の結果から,RSAは幅広い化学・材料系にわたる長距離物理を連続的に捉えていることがわかった。 この作業のコードとデータセットはhttps://github.com/rfhari/reciprocal_space_attentionで公開されている。

関連論文リスト

• Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution [1.6112718683989882]
  機械学習原子間ポテンシャル(MLIP)は、物質特性を予測するための量子力学シミュレーションの計算的に効率的な代替手段を提供する。 我々は、電子自由度を明示的に処理することで、長距離クーロン相互作用を取り入れた新しい同変MLIPを開発する。 我々は,ベンチマーク周期的および非周期的データセットの領域にわたって,我々のモデルを体系的に評価し,短距離同変および長距離不変MLIPよりもエネルギーおよび力の予測が優れていることを示した。
  論文  参考訳（メタデータ） (2025-03-23T05:26:55Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
  本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。 この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T17:53:23Z)
• Latent Ewald summation for machine learning of long-range interactions [0.0]
  本稿では,局所的な原子ディスクリプタから潜時変数を学習することにより,長距離相互作用を考慮した簡便かつ効率的な手法を提案する。 荷電および極性分子二量体、バルク水、水蒸気界面などのシステムでは、標準の短距離MLIPが非物理的予測に繋がることを示した。 長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。
  論文  参考訳（メタデータ） (2024-08-27T16:03:18Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Capturing long-range interaction with reciprocal space neural network [0.0]
  クーロンやヴァン・デル・ウェールズポテンシャルのような長距離効果は、ほとんどの機械学習(ML)原子間モデルでは考慮されていない。 我々の研究は、長距離効果を扱う際に、現在のML原子間モデルとポテンシャルの能力を拡大した。
  論文  参考訳（メタデータ） (2022-11-30T02:10:48Z)
• Tuning long-range fermion-mediated interactions in cold-atom quantum simulators [68.8204255655161]
  コールド原子量子シミュレータにおける工学的な長距離相互作用は、エキゾチックな量子多体挙動を引き起こす。 そこで本研究では,現在実験プラットフォームで利用可能ないくつかのチューニングノブを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:32:12Z)
• 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)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)

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。