Simulations of disordered matter in 3D with the morphological autoregressive protocol (MAP) and convolutional neural networks
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
Disordered molecular systems, such as amorphous catalysts, organic thin films, electrolyte solutions, and water, are at the cutting edge of computational exploration at present. Traditional simulations of such systems at length scales relevant to experiments in practice require a compromise between model accuracy and quality of sampling. To address this problem, we have developed an approach based on generative machine learning called the Morphological Autoregressive Protocol (MAP), which provides computational access to mesoscale disordered molecular configurations at linear cost at generation for materials in which structural correlations decay sufficiently rapidly. The algorithm is implemented using an augmented PixelCNN deep learning architecture that, as we previously demonstrated, produces excellent results in 2 dimensions (2D) for mono-elemental molecular systems. Here, we extend our implementation to multi-elemental 3D and demonstrate performance using water as our test system in two scenarios: (1) liquid water and (2) samples conditioned on the presence of pre-selected motifs. We trained the model on small-scale samples of liquid water produced using path-integral molecular dynamics simulations, including nuclear quantum effects under ambient conditions. MAP-generated water configurations are shown to accurately reproduce the properties of the training set and to produce stable trajectories when used as initial conditions in quantum dynamics simulations. We expect our approach to perform equally well on other disordered molecular systems in which structural correlations decay sufficiently fast while offering unique advantages in situations when the disorder is quenched rather than equilibrated.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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