論文の概要: Enhanced Climbing Image Nudged Elastic Band method with Hessian Eigenmode Alignment
- arxiv url: http://arxiv.org/abs/2601.12630v2
- Date: Thu, 22 Jan 2026 17:11:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-23 13:30:18.392951
- Title: Enhanced Climbing Image Nudged Elastic Band method with Hessian Eigenmode Alignment
- Title（参考訳）: Hessian Eigenmodeアライメントを用いた拡張クライミング画像Nudged Elastic Band法
- Authors: Rohit Goswami, Miha Gunde, Hannes Jónsson,
- Abstract要約: 本稿では,CI-NEBとMMF法を統合する適応型ハイブリッドアルゴリズムを提案する。
エネルギーと力の中央値の46% (95% CrI: -55%, -37%) が, ヘプタマー島の遷移には28%の減少が認められた。
- 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: Accurate determination of transition states is central to an understanding of reaction kinetics. Double-endpoint methods where both initial and final states are specified, such as the climbing image nudged elastic band (CI-NEB), identify the minimum energy path between the two and thereby the saddle point on the energy surface that is relevant for the given transition, thus providing an estimate of the transition state within the harmonic approximation of transition state theory. Such calculations can, however, incur high computational costs and may suffer stagnation on exceptionally flat or rough energy surfaces. Conversely, methods that only require specification of an initial set of atomic coordinates, such as the minimum mode following (MMF) method, offer efficiency but can converge on saddle points that are not relevant for transition of interest. Here, we present an adaptive hybrid algorithm that integrates the CI-NEB with the MMF method so as to get faster convergence to the relevant saddle point. The method is benchmarked for the Baker-Chan (BC) saddle point test set using the PET-MAD machine-learned potential as well as 59 transitions of a heptamer island on Pt(111) from the OptBench benchmark set. A Bayesian analysis of the performance shows a median reduction in energy and force calculations of 46% [95% CrI: -55%, -37%] relative to CI-NEB for the BC set, while a 28% reduction is found for the transitions of the heptamer island. These results establish this hybrid method as a highly effective tool for high-throughput automated chemical discovery of atomic rearrangements.
- Abstract（参考訳）: 遷移状態の正確な決定は、反応速度論の理解の中心である。
クライミング画像ナッジ弾性バンド(CI-NEB)のような初期状態と最終状態の両方を指定した二重端点法は、2つの間の最小エネルギー経路を同定し、したがって、与えられた遷移に関係のあるエネルギー表面上のサドル点を同定し、遷移状態理論の調和近似における遷移状態の推定を与える。
しかし、そのような計算は高い計算コストを発生させ、非常に平坦なまたは粗いエネルギー表面で停滞する可能性がある。
逆に、最小モード追従法(MMF)のような初期原子座標の仕様のみを必要とする手法は、効率性を提供するが、関心の遷移とは無関係なサドル点に収束することができる。
本稿では,CI-NEBをMMF法と統合した適応型ハイブリッドアルゴリズムを提案する。
本手法は,PET-MADマシン学習電位を用いたBaker-Chan (BC) サドル点検セットと,OPtBenchベンチマークセットからPt(111)上のヘプタマー島の59遷移をベンチマークした。
ベイズ解析では, ヘプタマー島の遷移に比して46% (95% CrI: -55%, -37%) のエネルギーと力の中央値が減少し, ヘプタマー島の遷移に比して28%の減少が認められた。
これらの結果は、原子の再配列の高速な自動化学発見のための高効率なツールとして、このハイブリッド手法を確立している。
関連論文リスト
- Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。
我々は90～200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。
我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
論文 参考訳（メタデータ） (2025-09-10T16:10:58Z) - Semi-Implicit Variational Inference via Kernelized Path Gradient Descent [12.300415631357406]
Kullback-Leibler分散を用いたトレーニングは、高次元設定における高分散とバイアスのために難しい場合がある。
非パラメトリックな平滑化によるトレーニングを安定化するカーネル化されたKL分散推定器を提案する。
関数空間における我々の手法のバイアスは良性であり、より安定で効率的な最適化をもたらす。
論文 参考訳（メタデータ） (2025-06-05T14:34:37Z) - Nonparametric Instrumental Variable Regression through Stochastic Approximate Gradients [0.3277163122167434]
集団リスクを直接最小化することにより,NPIV回帰に対処するための関数勾配降下アルゴリズムの定式化方法を示す。
我々は,過大なリスクに対するバウンダリの形で理論的支援を行い,提案手法の優れた安定性と競争性能を示す数値実験を行った。
このアルゴリズムは、ニューラルネットワークやカーネルベースの手法のような柔軟な推定器の選択と、非二次的損失関数を可能にする。
論文 参考訳（メタデータ） (2024-02-08T12:50:38Z) - Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。
MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する
我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文 参考訳（メタデータ） (2022-10-24T16:54:18Z) - Noise-resilient Edge Modes on a Chain of Superconducting Qubits [103.93329374521808]
量子系の遺伝対称性は、それ以外は脆弱な状態を保護することができる。
非局所マヨラナエッジモード(MEM)を$mathbbZ$パリティ対称性で表す一次元キックドイジングモデルを実装した。
MEMは、予熱機構により特定の対称性を破るノイズに対して弾力性があることが判明した。
論文 参考訳（メタデータ） (2022-04-24T22:34:15Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳（メタデータ） (2021-07-21T17:10:14Z) - Non-intrusive reduced order modeling of poroelasticity of heterogeneous
media based on a discontinuous Galerkin approximation [0.0]
異種多孔質媒体における線形多弾性問題に対する非侵入的モデル還元フレームワークを提案する。
内部ペナルティ不連続ガレルキン法(DG法)を全順序解法として利用し,不連続性を扱う。
我々のフレームワークは、DGソリューションの妥当な近似を提供するが、かなり高速である。
論文 参考訳（メタデータ） (2021-01-28T04:21:06Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z) - No MCMC for me: Amortized sampling for fast and stable training of
energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。
本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。
次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文 参考訳（メタデータ） (2020-10-08T19:17:20Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
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。