文献

J-GLOBAL ID：202202275093438371   整理番号：22A0886918

グラフ畳込みニューラルネットワークによる固溶体合金の全エネルギーの高速かつ正確な予測【JST・京大機械翻訳】

Fast and Accurate Predictions of Total Energy for Solid Solution Alloys with Graph Convolutional Neural Networks

著者 (5件)： Lupo Pasini Massimiliano (Computational Sciences and Engineering Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Burcul Marko (Department of Automation and Control Engineering, Politecnico di Milano, Milan, Italy) ,  Reeve Samuel Temple (Computational Sciences and Engineering Division, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Eisenbach Markus (National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, TN, USA) ,  Perotto Simona (Department of Mathematics, Politecnico di Milano, Milan, Italy)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1512  ページ： 79-98  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： グラフ畳込みニューラルネットワーク(GCNN)を用いて,固溶体二元合金の全エネルギーの高速で正確な予測を生成した。GCNNは,グラフとして固体材料の格子構造を抽出することを可能にし,それによって,原子がノードとしてモデル化され,金属結合がエッジとしてモデル化される。この表現は,材料の構造に関する情報を自然に組み込み,それによって標準ニューラルネットワーク(NN)アプローチで要求される計算上の高価なデータ前処理の必要性を排除する。OLCFスーパーコンピュータTitanとSummit上で局所自己整合多重散乱法を実行するLSMS-3コードを実行することにより生成された銅-金(CuAu)と鉄-白金(FePt)データに対するab-initio密度汎関数理論(DFT)のGCNNを訓練した。GCNNは,格子構造の与えられた原子配置に対する全エネルギーの推定を生成するために,計算時間の項で,ab-initioDFTシミュレーションより優れている。深層学習(DL)モデルの予測品質を定量化するために,二乗平均平方根誤差を用いて,高密度フィードフォワード多層パーセプトロン(MLP)のような標準NNに対するGCNNモデルの予測性能を比較した。GCNNの到達可能な精度はMLPよりも少なくとも1桁良いことを見出した。Copyright Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *グラフ ,  原子 ,  *合金 ,  *固溶体 ,  シミュレーション ,  *ニューラルネットワーク ,  二元合金 ,  フィードフォワード ,  モデリング ,  密度汎関数法 ,  スーパコンピュータ ,  *全エネルギー ,  多層パーセプトロン ,  機械学習
準シソーラス用語： 深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： グラフ ,  畳込みニューラルネットワーク ,  固溶体合金 ,  エネルギー ,  予測