ترجمه فارسی مقاله اهمیت یادگیری بدون محدودیت: ارزیابی مجدد معیارهای مربوط به ویژگی های ثابت و متناسب بودن پتانسیل های یادگیری ماشین در تولید مناظر انرژی رایگان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی The Importance of Learning without Constraints: Reevaluating Benchmarks for Invariant and Equivariant Features of Machine Learning Potentials in Generating Free Energy Landscapes
عنوان مقاله به فارسی اهمیت یادگیری بدون محدودیت: ارزیابی مجدد معیارهای مربوط به ویژگی های ثابت و متناسب بودن پتانسیل های یادگیری ماشین در تولید مناظر انرژی رایگان
نویسندگان Gustavo R. Pérez-Lemus, Yinan Xu, Yezhi Jin, Pablo F. Zubieta Rico, Juan J. de Pablo
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computational Physics,فیزیک محاسباتی ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Machine-learned interatomic potentials (MILPs) are rapidly gaining interest for molecular modeling, as they provide a balance between quantum-mechanical level descriptions of atomic interactions and reasonable computational efficiency. However, questions remain regarding the stability of simulations using these potentials, as well as the extent to which the learned potential energy function can be extrapolated safely. Past studies have reported challenges encountered when MILPs are applied to classical benchmark systems. In this work, we show that some of these challenges are related to the characteristics of the training datasets, particularly the inclusion of rigid constraints. We demonstrate that long stability in simulations with MILPs can be achieved by generating unconstrained datasets using unbiased classical simulations if the fast modes are correctly sampled. Additionally, we emphasize that in order to achieve precise energy predictions, it is important to resort to enhanced sampling techniques for dataset generation, and we demonstrate that safe extrapolation of MILPs depends on judicious choices related to the system's underlying free energy landscape and the symmetry features embedded within the machine learning models.

چکیده به فارسی (ترجمه ماشینی)

پتانسیل های بین اتمی که با یادگیری ماشین (MILPs) به سرعت در حال جلب توجه به مدل سازی مولکولی هستند ، زیرا آنها تعادل بین توصیف سطح مکانیکی از تعامل اتمی و راندمان محاسباتی معقول را فراهم می کنند.با این حال ، سؤالاتی در مورد ثبات شبیه سازی ها با استفاده از این پتانسیل ها ، و همچنین میزان عملکرد انرژی بالقوه آموخته شده با خیال راحت می تواند بماند.مطالعات گذشته چالش هایی را که هنگام استفاده از MILP ها در سیستم های معیار کلاسیک وجود دارد ، گزارش کرده اند.در این کار ، ما نشان می دهیم که برخی از این چالش ها مربوط به ویژگی های مجموعه داده های آموزشی ، به ویژه درج محدودیت های سفت و سخت است.ما نشان می دهیم که در صورت نمونه گیری صحیح حالت های سریع ، با تولید مجموعه داده های نامعلوم با استفاده از شبیه سازی های کلاسیک بی طرفانه ، ثبات طولانی در شبیه سازی با MILP ها می تواند حاصل شود.علاوه بر این ، ما تأکید می کنیم که برای دستیابی به پیش بینی های دقیق انرژی ، مهم است که به تکنیک های نمونه برداری پیشرفته برای تولید مجموعه داده ها متوسل شوید ، و ما نشان می دهیم که برون یابی ایمن MILP ها به انتخاب های معقول مربوط به سیستم اساسی انرژی آزاد سیستم و ویژگی های تقارن بستگی داردتعبیه شده در مدل های یادگیری ماشین.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.