論文の概要: TorchSpin: Differentiable Electron Paramagnetic Resonance Simulation in PyTorch

• arxiv url: http://arxiv.org/abs/2610.18924v1
• Date: Mon, 12 Oct 2026 23:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.726653
• Title: TorchSpin: Differentiable Electron Paramagnetic Resonance Simulation in PyTorch
• Title（参考訳）: TorchSpin:PyTorchにおける微分可能な電子パラ磁性共鳴シミュレーション
• Abstract要約: 本稿では,オープンソースのPyTorchフレームワークであるTorchSpinについて紹介する。 連続波EPR, ENDOR, パルスEPR, スピンダイナミクス, 軌道シミュレーション, 磁気メトリーを対象とする代表計算はEasySpinの結果と密接に一致する。 TorchSpinのCPU実行は、計算に強く依存するにも関わらず、9つのワークロードのうち6つのワークロードでEasySpinよりも高速だった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Interpreting electron paramagnetic resonance (EPR) spectra commonly requires repeated forward simulation and optimization of spin Hamiltonian parameters. Established software provides mature simulation and fitting methods, but these calculations are not generally available as differentiable components within machine-learning workflows. We present TorchSpin, an open-source PyTorch framework that ports the organization and numerical conventions of EasySpin into a tensor-based computational environment. Representative calculations spanning continuous-wave EPR, ENDOR, pulse EPR, spin dynamics, trajectory simulation, and magnetometry closely reproduced corresponding EasySpin results. In matched benchmarks, TorchSpin CPU execution was faster than EasySpin for six of nine workloads although performance depended strongly on the calculation. We therefore focused on the capabilities enabled by automatic differentiation in PyTorch. In a Cu(II) powder-spectrum demonstration, feedback propagated through TorchSpin improved the quality of a supervised convolutional neural network (CNN) without using parameter labels during refinement. Models trained from randomly initialized CNNs using only noisy spectra and TorchSpin reconstruction loss achieved median similarities of $\geq$ 0.99. CNNs trained on TorchSpin-generated libraries also transferred without adaptation to independently generated EasySpin spectra with performance comparable to EasySpin-trained controls. Once trained, the CNN produced initial parameter estimates in approximately 1 ms per spectrum while a batch of 512 was processed in approximately 1.3 ms with GPU acceleration. TorchSpin therefore provides both a tested Python implementation of established EPR calculations and a differentiable physical layer for rapid learned inference, spectral refinement, and parameter-label-free training.
• Abstract（参考訳）: 電子常磁性共鳴(EPR)スペクトルの解釈には、スピンハミルトンパラメータの反復的な前方シミュレーションと最適化が必要である。 確立されたソフトウェアは、成熟したシミュレーションとフィッティング方法を提供するが、これらの計算は機械学習ワークフロー内の微分可能なコンポーネントとして一般的には利用できない。 我々は、EasySpinの組織と数値規則をテンソルベースの計算環境に移植するオープンソースのPyTorchフレームワークであるTorchSpinを紹介する。 連続波EPR, ENDOR, パルスEPR, スピンダイナミクス, 軌道シミュレーション, 磁気メソメトリーを対象とする代表計算を行った。 一致したベンチマークでは、TorchSpinのCPU実行は、計算に強く依存するにもかかわらず、9つのワークロードのうち6つのワークロードでEasySpinよりも高速だった。 そこで我々は,PyTorchの自動微分機能に着目した。 Cu(II)パウダースペクトルの実証では、TorchSpinを介して伝播したフィードバックは、調整中にパラメータラベルを使わずに、教師付き畳み込みニューラルネットワーク(CNN)の品質を改善した。 ノイズスペクトルとTorchSpin再構成損失のみを用いてランダムに初期化したCNNからトレーニングしたモデルは、$\geq$ 0.99という中央値の類似性を得た。 TorchSpin生成ライブラリでトレーニングされたCNNも、独立に生成されたEasySpinスペクトルに適応することなく移行した。 訓練後、CNNは1スペクトルあたり約1msで初期パラメータ推定を生成し、512のバッチはGPUアクセラレーションで約1.3msで処理された。 そのためTorchSpinは、確立されたEPR計算のPython実装と、高速な推論、スペクトル改善、パラメータラベルなしトレーニングのための微分可能な物理層の両方を提供する。

関連論文リスト

• Comparing the Performance of Leading VQE Algorithms for Computing Ground-State Energies of Amino Acids [0.0]
  論文から10以上の異なるアンサーゼの再現可能なベンチマークを備えた統合リポジトリを提案する。 QMProtデータセットから得られたハミルトニアンを用いて、異なるアミノ酸をシミュレートする。
  論文  参考訳（メタデータ） (2026-07-02T06:38:31Z)
• Otters++: A Time-to-first-spike Based Energy Efficient Optical Spiking Transformer [21.767045800309088]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率の高い推論を約束している。 TTFSコーディングは、各ニューロンが最大で一度発火するため、特に魅力的である。 TTFSコンピューティングは、現実的なハードウェア効果の下で、効率的で、トレーニング可能で、堅牢である。
  論文  参考訳（メタデータ） (2026-06-11T07:53:25Z)
• Feasibility Study of CNNs and MLPs for Radiation Heat Transfer in 2-D Furnaces with Spectrally Participative Gases [0.3495246564946556]
  そこで我々は,2次元壁状領域における放射熱伝達解を近似する代理モデルを構築した。 この研究の独創性は、CNNアーキテクチャに適合するために問題(ガスと壁の特性)の入力を適応させることにある。 CNNアーキテクチャの性能は、より古典的なアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2025-06-02T14:06:44Z)
• Assessing the Performance of 1D-Convolution Neural Networks to Predict Concentration of Mixture Components from Raman Spectra [0.0]
  ラマン分光法の新たな応用は、生薬製造中の化学反応器の状態を監視することである。 化学計測アルゴリズムは、反応が進行するにつれてバイオリアクターの複雑な混合物から生成されるラマンスペクトルを解釈するために用いられる。 特定のバイオリアクター環境に最適なアルゴリズムを見つけることは、ラマン混合データセットが不足しているため困難である。
  論文  参考訳（メタデータ） (2023-06-29T01:41:07Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)
• Accelerating Feedforward Computation via Parallel Nonlinear Equation Solving [106.63673243937492]
  ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。 本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。 提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
  論文  参考訳（メタデータ） (2020-02-10T10:11:31Z)

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。