論文の概要: BranchIP: Learning Adaptive Equivariant Computation for Interatomic Potentials
- arxiv url: http://arxiv.org/abs/2610.02013v1
- Date: Thu, 01 Oct 2026 16:39:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.293449
- Title: BranchIP: Learning Adaptive Equivariant Computation for Interatomic Potentials
- Title（参考訳）: BranchIP: 原子間ポテンシャルに対する適応等変計算の学習
- Abstract要約: 本稿では,適応型テンソル製品計算のための単一モデルフレームワークであるブランチ原子間ポテンシャル(BranchIP)を提案する。
物理的興味のある2つのシステムに関する実験では、BranchIPはモデルサイズのMLIPを最大2.4times$で高速化し、メモリ使用量を最大2.6times$で削減した。
- 参考スコア（独自算出の注目度）: 1.113005451976577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Equivariant machine learning interatomic potentials (MLIPs) have revolutionized atomistic modeling, but accurate treatment of complex materials and molecular systems demands expensive models. This limits simulation length- and time-scales, with tensor products a key computational bottleneck. The recent emergence of foundation-scale MLIPs further exacerbates this challenge. We present Branch Interatomic Potential (BranchIP), a single-model framework for learned adaptive tensor product computation, trained with a novel distillation loss. In our experiments on two systems of physical interest, a heterogeneous catalysis system and a proton-conducting solid acid electrolyte, BranchIP accelerates MLIPs across model sizes by up to $2.4\times$ while reducing memory usage by up to $2.6\times$. This is achieved while maintaining physical fidelity. Furthermore, the learned adaptive computation provides model interpretability by revealing which interactions demand deeper computation and showing how computational depth relates to chemical complexity and dynamics.
- Abstract（参考訳）: 等価機械学習原子間ポテンシャル(MLIP)は原子モデルに革命をもたらしたが、複雑な物質や分子系の正確な処理には高価なモデルが必要である。
これにより、テンソル積が重要な計算ボトルネックとなるため、シミュレーションの長さと時間スケールが制限される。
近年の基盤規模MLIPの出現により、この課題はさらに悪化する。
本稿では,新しい蒸留損失を学習した適応型テンソル積計算のための単一モデルフレームワークであるブランチ原子間ポテンシャル(BranchIP)を提案する。
ヘテロジニアス触媒系とプロトン伝導性固体酸電解質の2つの物理系の実験において、BranchIPはMLIPをモデルサイズで最大2.4\times$まで加速し、メモリ使用量を最大2.6\times$まで削減する。
これは物理的忠実さを維持しながら達成される。
さらに、学習された適応計算は、どの相互作用がより深い計算を必要とするかを明らかにし、計算深度が化学複雑性や力学にどのように関係しているかを示すことによって、モデルの解釈可能性を提供する。
関連論文リスト
- 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) - 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) - Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries [51.028432812178266]
Transolver-3は、高忠実度物理シミュレーションのために設計されたTransolverファミリーの新しいメンバーである。
Transolver-3は1億6000万以上のセルでメッシュを処理でき、3つの挑戦的なシミュレーションベンチマークで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-04T16:52:44Z) - Learning Inter-Atomic Potentials without Explicit Equivariance [24.438029202222555]
TransIP: Transformer-based Inter-Atomic Potentialsは、原子間ポテンシャルの新たなトレーニングパラダイムである。
提案手法は, 組込み空間における表現を最適化することにより, SO(3)-同変を学習するための汎用的非同変トランスフォーマーモデルである。
データ拡張ベースラインと比較して、TransIPはさまざまなOMol25データセットサイズで40%から60%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） (2025-09-25T22:15:10Z) - A Solvable Molecular Switch Model for Stable Temporal Information Processing [0.0]
リニア・イン・ザ・ステートと非線形・イン・イン・イン・イン・イン・インプットのモデルは正確に解決可能であり、収束とフェードメモリの数学的性質も持っている。
その結果、動的分子スイッチを深いカスケード/層状フィードフォワードおよびリカレントアーキテクチャの計算単位として使用するための理論的支援が得られた。
また、脳にインスパイアされた振る舞いを模倣し、入力信号に対して安定した計算を実行できる任意の物理デバイスをエミュレートできる、より一般的な正確な解決可能なモデルをインスパイアすることもできる。
論文 参考訳（メタデータ） (2025-08-21T11:13:56Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Super-resolution in Molecular Dynamics Trajectory Reconstruction with
Bi-Directional Neural Networks [0.0]
機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。
サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
論文 参考訳（メタデータ） (2022-01-02T23:00:30Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - Large-scale Neural Solvers for Partial Differential Equations [48.7576911714538]
偏微分方程式 (PDE) を解くことは、多くのプロセスがPDEの観点でモデル化できるため、科学の多くの分野において不可欠である。
最近の数値解法では、基礎となる方程式を手動で離散化するだけでなく、分散コンピューティングのための高度で調整されたコードも必要である。
偏微分方程式, 物理インフォームドニューラルネットワーク(PINN)に対する連続メッシュフリーニューラルネットワークの適用性について検討する。
本稿では,解析解に関するGatedPINNの精度と,スペクトル解法などの最先端数値解法について論じる。
論文 参考訳（メタデータ） (2020-09-08T13:26:51Z)
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。