論文の概要: FlashCart: Fast Cartesian Tensor Products for Equivariant Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2610.06409v1
• Date: Mon, 05 Oct 2026 14:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:36:06.314022
• Title: FlashCart: Fast Cartesian Tensor Products for Equivariant Interatomic Potentials
• Title（参考訳）: FlashCart: 等価な原子間ポテンシャルのための高速カルトテンソル製品
• Abstract要約: 我々は、高次の相関を安価にしてくれるFlashCartを紹介します。 相関順序の増大は, 幅, 深さ, テンソルランクの増大よりも精度を向上することを示す。 SPICE-MACE-OFFでは、FlashCartモデルは測定精度・効率のフロンティアを前進させる。
• 参考スコア（独自算出の注目度）: 14.735041167026552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learned interatomic potentials extend atomistic simulations beyond the length- and timescales accessible to electronic-structure methods. However, the computational cost of equivariant architectures limits the local correlations they can represent in practice and therefore their achievable accuracy. Here we introduce FlashCart, which makes higher-order correlations affordable by combining generated GPU kernels with an architecture that recursively builds equivariant features and compresses them to a fixed width at each step. We express tensor products in independent Cartesian components and symbolically simplify them and their derivatives, producing fused kernels that often outperform optimized spherical counterparts. We then show that increasing correlation order improves accuracy more efficiently than increasing width, depth, or tensor rank. On SPICE-MACE-OFF, FlashCart models advance the measured accuracy-efficiency frontier: a model with $5.6$ million parameters achieves lower energy and force errors and $10\times$ faster inference than a transformer with $189$ million parameters.
• Abstract（参考訳）: 機械学習された原子間ポテンシャルは、電子構造法にアクセスできる長さと時間スケールを超えて原子論シミュレーションを拡張する。 しかし、同変アーキテクチャの計算コストは、実際に表現できる局所的相関を制限し、したがって達成可能な精度を制限している。 ここでは、生成したGPUカーネルと再帰的に同変機能を構築し、各ステップで固定幅に圧縮するアーキテクチャを組み合わせることで、高次相関を安価に実現するFlashCartを紹介する。 我々は独立なモンテカルロ成分でテンソル積を表現し、それらとその微分を象徴的に単純化し、しばしば最適化された球面対数より優れた融合カーネルを生成する。 相関順序の増大は, 幅, 深さ, テンソルランクの増大よりも精度を向上することを示した。 SPICE-MACE-OFFでは、FlashCartモデルは測定精度と効率のフロンティアを推し進めている。

関連論文リスト

• SQUARE: Structured Quantum Representation Adapters as Compact Quadratic Feature Maps for Frozen Language Models [50.300302932452006]
  凍結言語モデル(LM)は、下流の再ランク付け、スコアリング、嗜好モデリングのための固定された特徴抽出器として、ますます使われている。 本稿では、ボトルネックベクトルを振幅符号化し、パラメータ化量子回路を適用し、その結果の状態を測定する構造量子表現アダプタを提案する。 各基底確率関数は、ちょうどボトルネック座標における正規化された二次形式であり、追加のPauli$Z$読み出しはそれらの確率の線形結合であることを示す。
  論文  参考訳（メタデータ） (2026-09-29T09:38:29Z)
• Flash EQ-Linear: Accelerating Equivariant Linear Layers via Group-wise Discrete Fourier Transform [65.89510337046077]
  等変ネットワークは、ウェイトシェアリングを通じて構造的先行として幾何学的対称性を埋め込む。 既存の実装では、構造化された重みを高密度な行列に展開し、それらを一般的な高密度なカーネルにディスパッチする。 これは、同変ネットワークが3つの軸を同時に持つ非同変ネットワークを厳密に支配するのは、これが初めてである。
  論文  参考訳（メタデータ） (2026-07-23T12:45:21Z)
• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
  テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。 1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。 その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
  論文  参考訳（メタデータ） (2025-07-01T18:46:27Z)
• Systems and Algorithms for Convolutional Multi-Hybrid Language Models at Scale [68.6602625868888]
  本稿では,2つの簡単な観測に基づいて,畳み込み型マルチハイブリッドアーキテクチャを提案する。 ハイブリッドモデルのオペレータは、インコンテキストリコール、マルチトークンリコール、圧縮などのトークン操作タスクにカスタマイズできる。 我々は、最適化されたトランスフォーマーの1.2倍から2.9倍、以前の世代のハイブリッドの1.1倍から1.4倍の速さでエンドツーエンドを訓練する。
  論文  参考訳（メタデータ） (2025-02-25T19:47:20Z)
• An Efficient Sparse Kernel Generator for O(3)-Equivariant Deep Networks [0.5737287537823071]
  回転同変グラフニューラルネットワークは、空間深層学習タスクにおける技術性能の状態を導出する。 クレーブシュ=ゴルドンテンソル積(Clebsch-Gordon tensor product, CG)は、2つの高次特徴ベクトルと高構造スパーステンソルを交換して高密度出力ベクトルを生成するカーネルである。 我々は、CGテンソル製品用のGPUスパースカーネルジェネレータを導入し、既存のオープンソース実装やクローズドソース実装よりも大幅に高速化する。
  論文  参考訳（メタデータ） (2025-01-23T08:20:47Z)
• Reducing the Variance of Gaussian Process Hyperparameter Optimization with Preconditioning [54.01682318834995]
  プレコンディショニングは、行列ベクトル乗算を含む反復的な方法にとって非常に効果的なステップである。 プレコンディショニングには、これまで検討されていなかった付加的なメリットがあることを実証する。 基本的に無視可能なコストで、同時に分散を低減することができる。
  論文  参考訳（メタデータ） (2021-07-01T06:43:11Z)

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。