Bayesian machine learning for quantum molecular dynamics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article discusses applications of Bayesian machine learning for quantum molecular dynamics. One particular formulation of quantum dynamics advocated here is in the form of a machine learning simulator of the Schrödinger equation. If combined with the Bayesian statistics, such a simulator allows one to obtain not only the quantum predictions but also the error bars of the dynamical results associated with uncertainties of inputs (such as the potential energy surface or non-adiabatic couplings) into the nuclear Schrödinger equation. Instead of viewing atoms as undergoing dynamics on a given potential energy surface, Bayesian machine learning allows one to formulate the problem as the Schrödinger equation with a non-parametric distribution of potential energy surfaces that becomes conditioned by the desired dynamical properties (such as the experimental measurements). Machine learning models of the Schrödinger equation solutions can identify the sensitivity of the dynamical properties to different parts of the potential surface, the collision energy, angular momentum, external field parameters and basis sets used for the calculations. This can be used to inform the design of efficient quantum dynamics calculations. Machine learning models can also be used to correlate rigorous results with approximate calculations, providing accurate interpolation of exact results. Finally, there is evidence that it is possible to build Bayesian machine learning models capable of physically extrapolating the solutions of the Schrödinger equation. This is particularly valuable as such models could complement common discovery tools to explore physical properties at Hamiltonian parameters not accessible by rigorous quantum calculations or experiments, and potentially be used to accelerate the numerical integration of the nuclear Schrödinger equation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle