論文の概要: Efficient Exploration of Chemical Kinetics

• arxiv url: http://arxiv.org/abs/2510.21368v1
• Date: Fri, 24 Oct 2025 11:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.457538
• Title: Efficient Exploration of Chemical Kinetics
• Title（参考訳）: ケミカル・キネティクスの効率的な探索
• Authors: Rohit Goswami,
• Abstract要約: 反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。 この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
• 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: Estimating reaction rates and chemical stability is fundamental, yet efficient methods for large-scale simulations remain out of reach despite advances in modeling and exascale computing. Direct simulation is limited by short timescales; machine-learned potentials require large data sets and struggle with transition state regions essential for reaction rates. Reaction network exploration with sufficient accuracy is hampered by the computational cost of electronic structure calculations, and even simplifications like harmonic transition state theory rely on prohibitively expensive saddle point searches. Surrogate model-based acceleration has been promising but hampered by overhead and numerical instability. This dissertation presents a holistic solution, co-designing physical representations, statistical models, and systems architecture in the Optimal Transport Gaussian Process (OT-GP) framework. Using physics-aware optimal transport metrics, OT-GP creates compact, chemically relevant surrogates of the potential energy surface, underpinned by statistically robust sampling. Alongside EON software rewrites for long timescale simulations, we introduce reinforcement learning approaches for both minimum-mode following (when the final state is unknown) and nudged elastic band methods (when endpoints are specified). Collectively, these advances establish a representation-first, modular approach to chemical kinetics simulation. Large-scale benchmarks and Bayesian hierarchical validation demonstrate state-of-the-art performance and practical exploration of chemical kinetics, transforming a longstanding theoretical promise into a working engine for discovery.
• Abstract（参考訳）: 反応速度と化学的安定性の推定は基本的なものであり、モデリングやエクサスケールコンピューティングの進歩にもかかわらず、大規模シミュレーションの効率的な手法は到達できない。 機械学習されたポテンシャルは大きなデータセットを必要とし、反応速度に不可欠な遷移状態領域と競合する。 十分な精度の反応ネットワーク探索は、電子構造計算の計算コストによって妨げられ、調和遷移状態理論のような単純化でさえ、非常に高価なサドル点探索に依存している。 代理モデルに基づく加速は期待されているが、オーバーヘッドと数値不安定により妨げられている。 この論文は、最適輸送ガウス過程(OT-GP)フレームワークにおいて、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。 物理を意識した最適な輸送指標を用いて、OT-GPは、統計的に頑健なサンプリングによって支えられる、ポテンシャルエネルギー表面のコンパクトで化学的に関係のあるサロゲートを生成する。 EONソフトウェアによる長期シミュレーションの書き直しに加えて、最小モード追従(最終状態が不明な場合)と無作為弾性バンド法(エンドポイントが指定されている場合)の強化学習手法を導入する。 これらの進歩は、化学動力学シミュレーションに対する表現第一のモジュラーなアプローチを確立している。 大規模なベンチマークとベイジアン階層的検証は、最先端のパフォーマンスと化学動力学の実践的な探索を示し、長年の理論的約束を発見のための作業エンジンに転換した。

関連論文リスト

• PHASE: Physics-Integrated, Heterogeneity-Aware Surrogates for Scientific Simulations [14.492366415635416]
  科学シミュレーションにおける物理統合・異質性認識サロゲートのためのモジュール型ディープラーニングフレームワークPHASEを紹介する。 位相は、異種入力のためのデータ型認識エンコーダと、局所力学からグローバルシステム動作への一貫性を促進する多レベル物理ベースの制約を組み合わせる。 我々は,米国エネルギー省のE3SMランドモデル(Energy Exascale Earth System Model)の生物地球化学(BGC)スピンアップワークフロー上でPHASEを検証する。
  論文  参考訳（メタデータ） (2025-09-27T18:50:40Z)
• End-to-End Complexity Analysis for Quantum Simulation of the Extended Jaynes-Cummings Models [2.5789509846010574]
  本稿では,Jaynes-Cummingsモデル(eJCM)の量子シミュレーションのためのエンドツーエンドフレームワークを提案する。 我々は、システムの時間進化をシミュレートするための明示的な量子アルゴリズムと回路を開発する。 この研究は、将来の量子コンピュータ上でのeJCMをシミュレートするための完全なロードマップを確立する。
  論文  参考訳（メタデータ） (2025-09-16T21:23:53Z)
• Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting [7.705860755153007]
  分子動力学(MD)シミュレーションは、物質科学と生物物理学における原子スケールプロセスを理解するために不可欠である。 従来の密度汎関数理論(DFT)法は計算コストが高く、長期シミュレーションの可能性を制限する。 本稿では,時系列予測問題としてMDシミュレーションを定式化する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T02:00:52Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• A physics-informed neural network method for the approximation of slow invariant manifolds for the general class of stiff systems of ODEs [0.0]
  我々は、遅い不変多様体(SIM)の発見のための物理インフォームドニューラルネットワーク(PINN)アプローチを提案する。 削減順序のブラックボックスサロゲートモデルを構成する他の機械学習(ML)アプローチとは対照的に,我々のアプローチはベクトル場を高速かつ低速なコンポーネントに分解する。 提案手法は,QSSA,PEA,CSPが提供する手法よりも,同等あるいは高い精度でSIM近似を提供することを示す。
  論文  参考訳（メタデータ） (2024-03-18T09:10:39Z)

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。