論文の概要: Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds

• arxiv url: http://arxiv.org/abs/2602.16908v1
• Date: Wed, 18 Feb 2026 21:48:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.419597
• Title: Multi-objective optimization and quantum hybridization of equivariant deep learning interatomic potentials on organic and inorganic compounds
• Title（参考訳）: 有機および無機化合物上の等変深層学習原子間ポテンシャルの多目的最適化と量子ハイブリッド化
• Authors: G. Laskaris, D. Morozov, D. Tarpanov, A. Seth, J. Procelewska, G. Sai Gautam, A. Sagingalieva, R. Brasher, A. Melnikov,
• Abstract要約: Allegroは、分子の原子特性を予測するために設計された機械学習原子間ポテンシャル(MLIP)モデルである。 このモデルをトレーニングする場合、正確さと推論時間の間にはトレードオフがある傾向があります。 我々は、厳密な古典的な多層パーセプトロン層を追加することで、アレグロの変種を作る。 我々はQM9,rMD17-アスピリン,rMD17-ベンゼンおよび銅およびリチウム原子からなる独自のデータセットを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Allegro is a machine learning interatomic potential (MLIP) model designed to predict atomic properties in molecules using E(3) equivariant neural networks. When training this model, there tends to be a trade-off between accuracy and inference time. For this reason we apply multi-objective hyperparameter optimization to the two objectives. Additionally, we experiment with modified architectures by making variants of Allegro some by adding strictly classical multi-layer perceptron (MLP) layers and some by adding quantum-classical hybrid layers. We compare the results from QM9, rMD17-aspirin, rMD17-benzene and our own proprietary dataset consisting of copper and lithium atoms. As results, we have a list of variants that surpass the Allegro in accuracy and also results which demonstrate the trade-off with inference times.
• Abstract（参考訳）: Allegroは、E(3)同変ニューラルネットワークを用いて分子の原子特性を予測するために設計された機械学習原子間ポテンシャル(MLIP)モデルである。 このモデルをトレーニングする場合、正確さと推論時間の間にトレードオフがある傾向があります。 このため,2つの目的に対して多目的ハイパーパラメータ最適化を適用する。 さらに,高度に古典的な多層パーセプトロン(MLP)層を付加し,量子古典的ハイブリッド層を付加することにより,アレグロの変種を一部加えることにより,改良されたアーキテクチャを実験した。 我々はQM9,rMD17-アスピリン,rMD17-ベンゼンおよび銅およびリチウム原子からなる独自のデータセットを比較した。 結果として、Allegroを精度で上回る変種のリストと、推論時間とのトレードオフを示す結果が得られます。

関連論文リスト

• Quantum and Hybrid Machine-Learning Models for Materials-Science Tasks [0.0]
  量子機械学習とハイブリッド量子古典モデルの設計と推定を行う。 マグネシウムを還元可能な積層断層エネルギーと溶質を予測する。
  論文  参考訳（メタデータ） (2025-07-10T20:29:16Z)
• InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
  InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-03T12:53:36Z)
• A Materials Foundation Model via Hybrid Invariant-Equivariant Architectures [53.273077346444886]
  機械学習の原子間ポテンシャル(MLIP)は材料のエネルギー、力、ストレスを予測する。 MLIPにおける重要な設計選択は、不変アーキテクチャと同変アーキテクチャのトレードオフである。 HIENetは、不変層と同変層の両方を統合した、ハイブリッド不変・同変物質間ポテンシャルモデルである。
  論文  参考訳（メタデータ） (2025-02-25T18:01:05Z)
• Equivariant Graph Network Approximations of High-Degree Polynomials for Force Field Prediction [62.05532524197309]
  同変深部モデルでは、分子動力学シミュレーションにおいて原子ポテンシャルと力場を正確に予測できることが示されている。 本研究では、同変アーキテクチャの同変関数を解析し、PACEと呼ばれる新しい同変ネットワークを導入する。 一般的なベンチマークで実験されたように、PACEは原子エネルギーと力場の予測における最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-06T19:34:40Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• 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)
• Learning Local Equivariant Representations for Large-Scale Atomistic Dynamics [0.6861083714313458]
  アレグロは厳密な局所同変深層学習の原子間ポテンシャルである。 並列計算の精度とスケーラビリティを両立させる。 単一のテンソル積層は、既存のディープメッセージパッシングニューラルネットワークやトランスフォーマーよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-04-11T16:48:41Z)
• 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)
• SE(3)-Equivariant Graph Neural Networks for Data-Efficient and Accurate Interatomic Potentials [0.17590081165362778]
  NequIPは分子動力学シミュレーションのためのab-initio計算から原子間電位を学習するためのSE(3)等価ニューラルネットワークアプローチである。 この方法は、顕著なデータ効率を示しながら、様々な分子や材料の挑戦的な集合に対して最先端の精度を達成する。
  論文  参考訳（メタデータ） (2021-01-08T18:49:10Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。