ترجمه فارسی مقاله یادگیری مدل های بنیادی همه در یک در سطوح شیمیایی کوانتومی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی All-in-one foundational models learning across quantum chemical levels
عنوان مقاله به فارسی یادگیری مدل های بنیادی همه در یک در سطوح شیمیایی کوانتومی
نویسندگان Yuxinxin Chen, Pavlo O. Dral
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Chemical Physics,Machine Learning,فیزیک شیمیایی , یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 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 learning (ML) potentials typically target a single quantum chemical (QC) level while the ML models developed for multi-fidelity learning have not been shown to provide scalable solutions for foundational models. Here we introduce the all-in-one (AIO) ANI model architecture based on multimodal learning which can learn an arbitrary number of QC levels. Our all-in-one learning approach offers a more general and easier-to-use alternative to transfer learning. We use it to train the AIO-ANI-UIP foundational model with the generalization capability comparable to semi-empirical GFN2-xTB and DFT with a double-zeta basis set for organic molecules. We show that the AIO-ANI model can learn across different QC levels ranging from semi-empirical to density functional theory to coupled cluster. We also use AIO models to design the foundational model Δ-AIO-ANI based on Δ-learning with increased accuracy and robustness compared to AIO-ANI-UIP. The code and the foundational models are available at https://github.com/dralgroup/aio-ani; they will be integrated into the universal and updatable AI-enhanced QM (UAIQM) library and made available in the MLatom package so that they can be used online at the XACS cloud computing platform (see https://github.com/dralgroup/mlatom for updates).

چکیده به فارسی (ترجمه ماشینی)

پتانسیل های یادگیری ماشین (ML) به طور معمول یک سطح شیمیایی کوانتومی واحد (QC) را هدف قرار می دهد در حالی که مدل های ML که برای یادگیری چند وفادار توسعه یافته اند نشان داده نشده است که راه حل های مقیاس پذیر برای مدلهای بنیادی ارائه می دهد.در اینجا ما معماری مدل All-in-One (AIO) ANI را بر اساس یادگیری چندمودال معرفی می کنیم که می تواند تعداد دلخواه سطح QC را بیاموزد.رویکرد یادگیری همه در یک ما یک جایگزین عمومی و آسان تر برای انتقال یادگیری ارائه می دهد.ما از آن برای آموزش مدل بنیادی AIO-ANI-UIP با قابلیت تعمیم قابل مقایسه با GFN2-XX-XTB نیمه تجربی و DFT با پایه دو زتا برای مولکولهای آلی استفاده می کنیم.ما نشان می دهیم که مدل AIO-ANI می تواند در سطح QC مختلف اعم از نظریه عملکردی نیمه تجربی تا چگالی تا خوشه همراه بیاموزد.ما همچنین از مدل های AIO برای طراحی مدل بنیادی δ-AIO-ANI بر اساس یادگیری δ با افزایش دقت و استحکام در مقایسه با AIO-Ani-UIP استفاده می کنیم.کد و مدلهای بنیادی در https://github.com/dralgroup/aio-ani در دسترس هستند.آنها در کتابخانه جهانی و به روزرسانی AI-Enhanced QM (UAIQM) ادغام می شوند و در بسته MLATOM در دسترس قرار می گیرند تا بتوانند بصورت آنلاین در بستر محاسبات ابری XACS مورد استفاده قرار گیرند (به https://github.com/dralgroup/mlatom مراجعه کنیدبرای به روزرسانی)

📚 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.