エンタングリング固溶体:材料特性予測のためのテンソルネットワークの機械学習【JST・京大機械翻訳】

Sommer David E.; Dunham Scott T.

プレプリント

J-GLOBAL ID：202202217749332682 整理番号：22P0306263

エンタングリング固溶体:材料特性予測のためのテンソルネットワークの機械学習【JST・京大機械翻訳】

Entangling Solid Solutions: Machine Learning of Tensor Networks for Materials Property Prediction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月17日プレプリントサーバーでの情報更新日： 2022年03月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

固体状態と分子材料特性の予測への機械学習技術の応用の進歩は,最先端の特徴表現と新しい深層学習アーキテクチャによって大いに促進された。平滑化原子密度の拡張に基づく大きなクラスの原子構造表現が,抽象多体Hilbert空間における基底関数系の特定選択に対応することを示した。同時に,量子多体物理学と量子情報の,通常,テンソルネットワーク構造は,コンピュータビジョンと自然言語処理における教師つきと教師なし学習タスクに首尾よく適用された。本研究では,テンソルネットワークに基づくアーキテクチャが,原子構造のHilbert空間表現に関する機械学習によく適していると主張した。これは,金属と半導体合金の密度汎関数理論計算の広く利用可能なデータセットを含む教師つき学習タスクで実証された。特に,ある標準テンソルネットワークトポロジーは,パラメトリックに効率的である一方で,小さな訓練データセットでも強い一般化性を示す。さらに,訓練されたテンソルネットワークにおける複雑なエンタングルメントの存在に対するこの一般化可能性をさらに関連づけた。また,大規模入力特徴空間を圧縮するための一般化構造カーネルと関連戦略との学習への接続を論じた。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る