ترجمه فارسی مقاله آنیل پشتیبانی‌شده با یادگیری ماشین برای پیش‌بینی ساختارهای کریستالی متعارف بزرگ

چکیده

This study investigates the application of Factorization Machines with Quantum Annealing (FMQA) to address the crystal structure problem (CSP) in materials science. FMQA is a black-box optimization algorithm that combines machine learning with annealing machines to find samples to a black-box function that minimize a given loss. The CSP involves determining the optimal arrangement of atoms in a material based on its chemical composition, a critical challenge in materials science. We explore FMQA’s ability to efficiently sample optimal crystal configurations by setting the loss function to the energy of the crystal configuration as given by a predefined interatomic potential. Further we investigate how well the energies of the various metastable configurations, or local minima of the potential, are learned by the algorithm. Our investigation reveals FMQA’s potential in quick ground state sampling and in recovering relational order between local minima.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه به بررسی کاربرد دستگاه های فاکتور سازی با بازپرداخت کوانتومی (FMQA) برای رفع مشکل ساختار کریستال (CSP) در علم مواد می پردازد.FMQA یک الگوریتم بهینه سازی جعبه سیاه است که یادگیری ماشین را با ماشین های آنیل ترکیب می کند تا نمونه هایی را به یک عملکرد جعبه سیاه پیدا کند که یک ضرر معین را به حداقل می رساند.CSP شامل تعیین ترتیب بهینه اتمها در یک ماده مبتنی بر ترکیب شیمیایی آن ، یک چالش مهم در علم مواد است.ما توانایی FMQA را در نمونه گیری کارآمد تنظیمات کریستال بهینه با تنظیم عملکرد از دست دادن به انرژی پیکربندی کریستال همانطور که توسط یک پتانسیل بین اتمی از پیش تعریف شده داده شده است ، بررسی می کنیم.علاوه بر این ، ما بررسی می کنیم که چقدر انرژی تنظیمات مختلف متاستیکی یا حداقل محلی از پتانسیل ها توسط الگوریتم آموخته می شود.تحقیقات ما پتانسیل FMQA را در نمونه گیری سریع حالت زمین و در بازیابی نظم رابطه ای بین مینیما محلی نشان می دهد.