論文の概要: Truncated automatic sparse differentiation for machine learning interatomic potentials

• arxiv url: http://arxiv.org/abs/2609.20510v1
• Date: Thu, 17 Sep 2026 14:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.33014
• Title: Truncated automatic sparse differentiation for machine learning interatomic potentials
• Title（参考訳）: 機械学習の原子間ポテンシャルに対する切り裂き自動スパース微分法
• Abstract要約: 機械学習の原子間ポテンシャルは原子の位置からポテンシャルエネルギーへのマッピングを学ぶ。 MLIPデリバティブのスパーシティパターンの計算方法を示す。 ASDは大きな多孔質材料のフルヘシアンを正確に計算するが、極端にスピードアップが速いことを実証する。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning interatomic potentials (MLIPs) learn the mapping from atomic positions to potential energy. The forces, the negative gradient of this energy, drive molecular dynamics and are readily obtained using automatic differentiation. Higher-order derivatives, most notably the Hessian, describe collective motion and allow the direct prediction of experimental observables, but are considered computationally inaccessible for large systems. We suggest a solution: in physical systems, interactions decay with distance, and most MLIPs build on this locality through message passing up to a finite receptive field. This implies both sparsity of higher-order derivatives and their decay with distance. This structure can be exploited using automatic sparse differentiation (ASD). We explain how to compute the sparsity pattern for MLIP derivatives and demonstrate that, for multiple foundation MLIPs, ASD computes full Hessians of large porous materials exactly, but with modest speedups at best. The larger gains come from truncated ASD: discarding small, but nonzero, Hessian entries between distant atoms yields order-of-magnitude speedups with negligible impact on predicted observables.
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は原子の位置からポテンシャルエネルギーへのマッピングを学習する。 このエネルギーの負の勾配である力は分子動力学を駆動し、自動的に微分される。 高階微分(特にヘッセン微分)は集合運動を記述し、実験可観測物の直接予測を可能にするが、大規模システムでは計算不能であると考えられている。 物理系では、相互作用は距離とともに崩壊し、ほとんどのMLIPは、メッセージが有限受容場に渡されることによって、この局所性の上に構築される。 これは高次微分の空間性と、その距離による崩壊の両方を意味する。 この構造は自動スパース微分(ASD)を用いて利用することができる。 MLIP誘導体の疎度パターンの計算方法を説明し、複数の基礎MLIPに対して、ALDは大きな多孔質材料のフルヘシアンを正確に計算するが、極端に高速であることを示す。 より大きな利得は、小さく、しかしゼロではないヘッセンの遠方の原子間のエントリを破棄することで、予測される可観測物への無視的な影響でマグニチュード・オブ・マグニチュード・スピードアップをもたらす。

関連論文リスト

• Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
  コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。 繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。 我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
  論文  参考訳（メタデータ） (2026-08-24T23:05:42Z)
• Implicit Machine Learning Force Fields Accelerate Molecular Dynamics Simulations [10.051512224581044]
  我々は、ニューラルネットワーク層の明示的なスタックを自己一貫性のある固定点方程式に置き換える暗黙の機械学習力場(I-MLFF)を導入する。 分子シミュレーションにおいて、この定式化は、中間表現を連続した時間ステップで再利用し、熱開始力の評価を可能にする。 我々の貢献は、量子力学的に忠実な分子シミュレーションのスケーリングフロンティアを前進させ、固定されたGPUメモリと計算予算内の長い軌道とより大きな原子システムを可能にします。
  論文  参考訳（メタデータ） (2026-07-31T08:38:13Z)
• MALOQ: Massively Accelerated Learning of Operators for Quantum Transport [71.9141151643915]
  MALOQは、少数の原子から100kの系の電子構造行列をトレーニングし、予測するために開発されたアプリケーションである。 分子ワイド分散フレームワークと比較して、エポック当たりの時間を30%以上削減する。 アルプススーパーコンピュータ上で3,000-12,000個の原子に対するスケーラブルなトレーニングと推論を実演する。
  論文  参考訳（メタデータ） (2026-06-27T13:34:52Z)
• Renormalizable Spectral-Shell Dynamics as the Origin of Neural Scaling Laws [2.779943773196378]
  高い非線形最適化ダイナミクスにもかかわらず、ディープ・ネットワーク・トレーニングは単純なマクロ構造に従うことを示す。 平均二乗誤差損失の場合、トレーニングエラーは$dot e_t=-M(t)e_t$と$M(t)=J_(t)J_(t)!*$として進化する。 このフレームワークは、ニューラルスケーリング法則と二重降下を説明し、遅延(NTKライクな)トレーニングと特徴学習を同一スペクトルシェルの2つの限界として統一する。
  論文  参考訳（メタデータ） (2025-12-11T08:38:46Z)
• Enabling Automatic Differentiation with Mollified Graph Neural Operators [73.52999622724101]
  本稿では,自動微分と任意のジオメトリの正確な勾配を求める最初の手法であるモリファイドグラフニューラル演算子(m$GNO)を提案する。 正規格子上のPDEの例では、$m$GNOとオートグレードの組み合わせにより、L2相対データの誤差は有限差に比べて20倍減少した。 また、物理損失のみを使用し、有限差分に必要な分解能よりもはるかに低い精度で、非構造化点雲上のPDEをシームレスに解くことができる。
  論文  参考訳（メタデータ） (2025-04-11T06:16:30Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Latent Ewald summation for machine learning of long-range interactions [0.0]
  本稿では,局所的な原子ディスクリプタから潜時変数を学習することにより,長距離相互作用を考慮した簡便かつ効率的な手法を提案する。 荷電および極性分子二量体、バルク水、水蒸気界面などのシステムでは、標準の短距離MLIPが非物理的予測に繋がることを示した。 長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。
  論文  参考訳（メタデータ） (2024-08-27T16:03:18Z)
• Learning Interatomic Potentials at Multiple Scales [1.2162698943818964]
  短時間のステップを使う必要性は、分子動力学(MD)シミュレーションの速度における鍵となる限界である。 本研究では,2つのMLIPを協調学習することにより,複雑な原子間相互作用のスケール分離を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-20T18:34:32Z)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)

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。