論文の概要: Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
- arxiv url: http://arxiv.org/abs/2604.26143v1
- Date: Tue, 28 Apr 2026 22:04:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-30 15:59:36.184357
- Title: Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations
- Title（参考訳）: 原子論シミュレーションのための機械学習の原子間ポテンシャルにおけるエキスパートフレームワークの混合
- Authors: Gabriel de Miranda Nascimento, Marc L. Descoteaux, Laura Zichi, Chuin Wei Tan, William C. Witt, Nicola Molinari, Sriteja Mantha, Daniil Kitchaev, Mordechai Kornbluth, Karim Gadelrab, Charles Tuffile, Boris Kozinsky,
- Abstract要約: 第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。
本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.3024996106292169
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: First-principles atomistic simulations are essential for understanding complex material phenomena but are fundamentally limited by their computational cost. While Machine Learning Interatomic Potentials (MLIPs) have drastically improved cost for a given accuracy, their inference cost remains a bottleneck for massive systems or long timescales. To address this, we introduce a multifidelity "Mixture-of-Experts" framework based on the E(3)-equivariant Allegro architecture. Our method spatially partitions the simulation domain into a chemically complex region (e.g., reactive interfaces) and a simple region (e.g., bulk lattice), assigning models of varying capacity to each. Among the challenges in such static domain decomposition, the mechanical mismatch between models at the interface is particularly critical, as it can generate artificial stress fields and instability. We address this challenge with a co-training strategy in which the loss function includes agreement constraints -- penalties on per-atom energy and force discrepancies between models evaluated on shared bulk environments -- forcing the independent models to learn a consistent physical description of the bulk material. We validate this approach on a realistic Pt+CO catalytic system, demonstrating that the co-trained models maintain exact energy conservation, align their bulk mechanical response (e.g., equation of state and bulk modulus), and achieve predictive accuracy comparable to a full high-fidelity simulation at more than twice the computational speed.
- Abstract（参考訳）: 第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。
機械学習の原子間ポテンシャル(MLIP)は、与えられた精度のコストを大幅に改善したが、その推論コストは、大規模なシステムや長い時間スケールのボトルネックのままである。
この問題に対処するために、E(3)-等価なAllegroアーキテクチャに基づくマルチフィデリティ"Mixture-of-Experts"フレームワークを導入する。
本手法では,シミュレーション領域を化学複雑な領域(反応界面など)と単純な領域(バルク格子など)に空間的に分割し,それぞれに様々な容量のモデルを割り当てる。
このような静的領域分解の課題の中で、界面におけるモデル間の機械的ミスマッチが特に重要であり、人工応力場と不安定性を生成することができる。
この課題は、損失関数が合意の制約 -- 原子単位のエネルギーに対する罰則と、共有バルク環境で評価されたモデル間の力の相違 -- を含み、独立モデルにバルク物質の一貫した物理的記述を学ばざるを得ないような、協調的なトレーニング戦略によって解決される。
この手法を現実的なPt+CO触媒系で検証し, 共学習モデルが正確なエネルギー保存を維持し, バルク力学的応答(例えば, 状態方程式とバルク弾性率)を整列し, 計算速度の2倍以上の精度で全高忠実度シミュレーションに匹敵する予測精度を得ることを示した。
関連論文リスト
- Advancing Practical Quantum Embedding Simulations via Operator Commutativity Based State Preparation for Complex Chemical Systems [0.0]
量子コンピュータ上に実装されたハイブリッド量子古典アルゴリズムは、この問題に対処するための有望な経路を提供する。
本稿では,密度行列埋め込み理論における演算子可換性とエネルギー駆動型スクリーニングに基づく動的アンザッツ構築戦略を提案する。
従来のアンサーゼに比べて精度が向上し,量子ゲート要求が大幅に低減された。
論文 参考訳（メタデータ） (2026-04-21T13:51:55Z) - From Complex Dynamics to DynFormer: Rethinking Transformers for PDEs [6.873342825786888]
トランスフォーマーベースのニューラルオペレータは、強力なデータ駆動型代替手段として登場した。
動的インフォームドニューラル演算子DynFormerを提案する。
我々はDynFormerが、最先端のベースラインと比較して95%の相対誤差を削減できることを示す。
論文 参考訳（メタデータ） (2026-03-03T15:45:09Z) - Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。
既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。
我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
論文 参考訳（メタデータ） (2026-02-11T02:00:25Z) - PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。
静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。
高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
論文 参考訳（メタデータ） (2026-01-19T07:57:52Z) - Efficient Exploration of Chemical Kinetics [0.0]
反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。
この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
論文 参考訳（メタデータ） (2025-10-24T11:52:08Z) - Coupled reaction and diffusion governing interface evolution in solid-state batteries [4.707991478885645]
我々は、対称電池セルの量子精度で、大規模で明示的な反応シミュレーションを行う。
我々はSEI生成の実験的観察と,デンドライト開始に重要なLiクリープ機構の解明について説明する。
我々のアプローチは、実験に適合する調整可能なパラメータを使わずに、デジタル双生児を第一原理から切り離すことです。
論文 参考訳（メタデータ） (2025-06-12T17:49:05Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - Interfacing Finite Elements with Deep Neural Operators for Fast
Multiscale Modeling of Mechanics Problems [4.280301926296439]
本研究では,機械学習を用いたマルチスケールモデリングのアイデアを探求し,高コストソルバの効率的なサロゲートとしてニューラル演算子DeepONetを用いる。
DeepONetは、きめ細かい解法から取得したデータを使って、基礎とおそらく未知のスケールのダイナミクスを学習してオフラインでトレーニングされている。
精度とスピードアップを評価するための様々なベンチマークを提示し、特に時間依存問題に対する結合アルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-25T20:46:08Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z)
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。