ترجمه فارسی مقاله PiNNacLe: الگوریتم یادگیری تطبیقی ​​در پرواز برای پتانسیل یادگیری ماشینی

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 PiNNAcLe: Adaptive Learn-On-The-Fly Algorithm for Machine-Learning Potential
عنوان مقاله به فارسی PiNNacLe: الگوریتم یادگیری تطبیقی ​​در پرواز برای پتانسیل یادگیری ماشینی
نویسندگان Yunqi Shao, Chao Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 6
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Statistical Mechanics,Computational Physics,مکانیک آماری , فیزیک محاسباتی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 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

PiNNAcLe is an implementation of our adaptive learn-on-the-fly algorithm for running machine-learning potential (MLP)-based molecular dynamics (MD) simulations -- an emerging approach to simulate the large-scale and long-time dynamics of systems where empirical forms of the PES are difficult to obtain. The algorithm aims to solve the challenge of parameterizing MLPs for large-time-scale MD simulations, by validating simulation results at adaptive time intervals. This approach eliminates the need of uncertainty quantification methods for labelling new data, and thus avoids the additional computational cost and arbitrariness thereof. The algorithm is implemented in the NextFlow workflow language (Di Tommaso et al., 2017). Components such as MD simulation and MLP engines are designed in a modular fashion, and the workflows are agnostic to the implementation of such modules. This makes it easy to apply the same algorithm to different references, as well as scaling the workflow to a variety of computational resources. The code is published under BSD 3-Clause License, the source code and documentation are hosted on Github. It currently supports MLP generation with the atomistic machine learning package PiNN (Shao et al., 2020), electronic structure calculations with CP2K (Kühne et al., 2020) and DFTB+ (Hourahine et al., 2020), and MD simulation with ASE (Larsen et al., 2017).

چکیده به فارسی (ترجمه ماشینی)

Pinnacle اجرای الگوریتم یادگیری بر روی پرواز ما برای اجرای پتانسیل یادگیری ماشین (MLP) مبتنی بر دینامیک مولکولی (MD) است-یک رویکرد در حال ظهور برای شبیه سازی دینامیک در مقیاس بزرگ و طولانی مدت سیستم هاجایی که اشکال تجربی PES به دست آوردن آن دشوار است.این الگوریتم با اعتبار سنجی نتایج شبیه سازی در فواصل زمانی سازگار ، با هدف حل چالش پارامتر کردن MLP ها برای شبیه سازی MD در مقیاس بزرگ.این رویکرد نیاز به روشهای کمیت عدم اطمینان را برای برچسب زدن داده های جدید از بین می برد و بنابراین از هزینه محاسباتی اضافی و هماهنگی آن جلوگیری می کند.این الگوریتم در زبان گردش کار Nextflow اجرا شده است (دی توماسو و همکاران ، 2017).مؤلفه هایی مانند MD Simulation و موتورهای MLP به روشی مدولار طراحی شده اند و گردش کار برای اجرای چنین ماژول ها آگنوستیک است.این امر باعث می شود استفاده از الگوریتم یکسان در منابع مختلف و همچنین مقیاس کاری به انواع منابع محاسباتی استفاده شود.این کد تحت مجوز BSD 3-Clause منتشر شده است ، کد منبع و مستندات در GitHub میزبانی می شوند.در حال حاضر از تولید MLP با بسته یادگیری دستگاه اتمی Pinn (Shao و همکاران ، 2020) ، محاسبات ساختار الکترونیکی با CP2K (Kühne et al. ، 2020) و DFTB+ (Honahine et al. ، 2020) و شبیه سازی MD با ASE پشتیبانی می کند.(لارسن و همکاران ، 2017).

📚 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.