論文の概要: Predicting Atomistic Transitions with Transformers

• arxiv url: http://arxiv.org/abs/2603.06526v1
• Date: Thu, 05 Mar 2026 03:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.377669
• Title: Predicting Atomistic Transitions with Transformers
• Title（参考訳）: 変圧器による微視的遷移の予測
• Authors: Henry Tischler, Wenting Li, Qi Tang, Danny Perez, Thomas Vogel,
• Abstract要約: 機械学習モデルは、高速な代理モデルとして原子遷移を管理する複雑な創発的行動を学ぶことができる。 ナノクラスターの原子遷移を予測するためにトランスフォーマーをどのように訓練するかを示す。
• 参考スコア（独自算出の注目度）: 4.530647255542886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate knowledge of the atomistic transition pathways in materials and material surfaces is crucial for many material science problems. However, conventional simulation techniques used to find these transitions are extremely computationally intensive. Even with large-scale, accelerated material simulations, the computational cost constrains the applicable domain in practice. Machine learning models, with the potential to learn the complex emergent behaviors governing atomistic transitions as a fast surrogate model, have great promise to predict transitions with a vastly reduced computational cost. Here, we demonstrate how transformers can be trained to predict atomistic transitions in nano-clusters. We show how we evaluate physical validity of the predictions and how a multitude of additional, different microstates can be generated by slightly varying the data provided to the model.
• Abstract（参考訳）: 物質および物質表面における原子遷移経路の正確な知識は多くの物質科学問題に不可欠である。 しかし、これらの遷移を見つけるのに使用される従来のシミュレーション技術は非常に計算量が多い。 大規模で加速された材料シミュレーションであっても、計算コストは実際に適用可能な領域を制約する。 機械学習モデルは、原子遷移を高速な代理モデルとして制御する複雑な創発的振る舞いを学習する可能性があるが、計算コストを大幅に削減して遷移を予測することは大きな約束である。 ここでは、ナノクラスターの原子遷移を予測するためにトランスフォーマーをいかに訓練するかを示す。 本研究では,予測の物理的妥当性を評価する方法と,モデルに提供されたデータをわずかに変化させることで,多数の異なるマイクロステートを生成する方法を示す。

関連論文リスト

• 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)
• Demonstration of Efficient Predictive Surrogates for Large-scale Quantum Processors [64.50565018996328]
  本稿では,与えられた量子プロセッサの平均値挙動を計算効率よくエミュレートする予測代理の概念を導入する。 これらのサロゲートを用いて、最大20個のプログラム可能な超伝導量子ビットを持つ量子プロセッサをエミュレートし、変分量子固有解器の効率的な事前学習を可能にする。 実験結果から, 予測サロゲートは測定オーバーヘッドを桁違いに低減するだけでなく, 従来の量子リソース集約的な手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-23T12:51:03Z)
• Neurons for Neutrons: A Transformer Model for Computation Load Estimation on Domain-Decomposed Neutron Transport Problems [48.35237609036802]
  本稿では, 独自の3次元入力埋め込みを持つトランスフォーマーモデルと, 領域分解中性子輸送問題のための入力表現を提案する。 本研究では,ドメイン分割型小型モジュールリアクタ(SMR)シミュレーションでトレーニングしたモデルが98.2%の精度を実現し,小型シミュレーションのステップを完全にスキップできることを実証する。
  論文  参考訳（メタデータ） (2024-11-05T18:17:51Z)
• Micrometer: Micromechanics Transformer for Predicting Mechanical Responses of Heterogeneous Materials [4.759109475818876]
  異種材料の機械的応答を予測する人工知能フレームワークであるMicromechanics Transformer(em Micrometer)を紹介する。 マイクロメーターは、幅広いミクロ組織にわたるマイクロスケールのひずみ場を予測する際に、最先端の性能を達成することができる。 私たちの研究は、計算ソリッドメカニクスにおけるAI駆動のイノベーションへの大きな一歩を示しています。
  論文  参考訳（メタデータ） (2024-09-23T16:01:37Z)
• From Biased to Unbiased Dynamics: An Infinitesimal Generator Approach [24.560340485988128]
  時間反転不変過程における進化作用素の固有関数の学習について検討する。 ランゲヴィン方程式によって説明される多くの物理的または化学的過程は、高いポテンシャル障壁によって分離された準安定状態間の遷移を含む。 本稿では,プロセスの無限小生成と関連する分解剤演算子に根ざした偏りのあるシミュレーションから学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-13T12:02:51Z)
• Learning Transport Processes with Machine Intelligence [0.0]
  本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。 提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
  論文  参考訳（メタデータ） (2021-09-27T14:49:22Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Unsupervised machine learning of quantum phase transitions using diffusion maps [77.34726150561087]
  本研究では, 測定データの非線形次元減少とスペクトルクラスタリングを行う拡散写像法が, 教師なしの複雑な位相遷移を学習する上で有意なポテンシャルを持つことを示す。 この方法は、局所観測可能量の単一の基底での測定に役立ち、多くの実験的な量子シミュレータに容易に適用できる。
  論文  参考訳（メタデータ） (2020-03-16T18:40:13Z)

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。