اکسپرس 24
ترجمه فارسی مقاله یادگیری ضعیف تحت نظارت فیزیک برای پتانسیل‌های بین اتمی

ترجمه فارسی مقاله یادگیری ضعیف تحت نظارت فیزیک برای پتانسیل‌های بین اتمی

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 Physics-Informed Weakly Supervised Learning for Interatomic Potentials
عنوان مقاله به فارسی یادگیری ضعیف تحت نظارت فیزیک برای پتانسیل‌های بین اتمی
نویسندگان Makoto Takamoto, Viktor Zaverkin, Mathias Niepert
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Chemical Physics,Machine Learning,Biological Physics,Computational Physics,فیزیک شیمیایی , یادگیری ماشین , فیزیک بیولوژیکی , فیزیک محاسباتی ,
توضیحات Submitted 23 July, 2024; originally announced August 2024. , Comments: 24 pages, 2 figures, 18 Tables
توضیحات به فارسی ارسال شده 23 ژوئیه 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 24 صفحه ، 2 شکل ، 18 جدول

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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 learning plays an increasingly important role in computational chemistry and materials science, complementing computationally intensive ab initio and first-principles methods. Despite their utility, machine-learning models often lack generalization capability and robustness during atomistic simulations, yielding unphysical energy and force predictions that hinder their real-world applications. We address this challenge by introducing a physics-informed, weakly supervised approach for training machine-learned interatomic potentials (MLIPs). We introduce two novel loss functions, extrapolating the potential energy via a Taylor expansion and using the concept of conservative forces. Our approach improves the accuracy of MLIPs applied to training tasks with sparse training data sets and reduces the need for pre-training computationally demanding models with large data sets. Particularly, we perform extensive experiments demonstrating reduced energy and force errors -- often lower by a factor of two -- for various baseline models and benchmark data sets. Finally, we show that our approach facilitates MLIPs' training in a setting where the computation of forces is infeasible at the reference level, such as those employing complete-basis-set extrapolation.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین نقش مهمی در شیمی محاسباتی و علوم مواد بازی می کند و روشهای محاسباتی فشرده و ابتدایی و اصول اول را تکمیل می کند.علیرغم کاربرد آنها ، مدل های یادگیری ماشین اغلب در طول شبیه سازی های اتمی فاقد توانایی تعمیم و استحکام هستند ، و پیش بینی های نیروهای غیر فیزیکی و پیش بینی های نیرویی دارند که مانع کاربردهای دنیای واقعی آنها می شوند.ما با معرفی یک رویکرد ضعیف و ضعیف تحت نظارت فیزیک برای آموزش پتانسیل های متقابل ماشین آموخته شده (MLIP) به این چالش می پردازیم.ما دو عملکرد از دست دادن جدید را معرفی می کنیم ، انرژی بالقوه را از طریق انبساط تیلور و با استفاده از مفهوم نیروهای محافظه کار برون می کنیم.رویکرد ما صحت MLIP های اعمال شده در کارهای آموزشی با مجموعه داده های آموزشی پراکنده را بهبود می بخشد و نیاز به مدل های محاسباتی قبل از محاسباتی را با مجموعه داده های بزرگ کاهش می دهد.به ویژه ، ما آزمایش های گسترده ای را نشان می دهیم که نشان دهنده کاهش انرژی و خطاهای نیرو - که اغلب با یک عامل دو پایین تر است - برای مدل های مختلف پایه و مجموعه داده های معیار.سرانجام ، ما نشان می دهیم که رویکرد ما آموزش MLIPS را در شرایطی که محاسبه نیروها در سطح مرجع غیرقابل نفوذ است ، مانند مواردی که از برون یابی کامل تنظیم می کنند ، تسهیل می کند.

📚 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.