ترجمه فارسی مقاله SpinMultiNet: پتانسیل شبکه عصبی با درجات آزادی چرخش با یادگیری چند وظیفه ای

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 SpinMultiNet: Neural Network Potential Incorporating Spin Degrees of Freedom with Multi-Task Learning
عنوان مقاله به فارسی SpinMultiNet: پتانسیل شبکه عصبی با درجات آزادی چرخش با یادگیری چند وظیفه ای
نویسندگان Koki Ueno, Satoru Ohuchi, Kazuhide Ichikawa, Kei Amii, Kensuke Wakasugi
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Machine Learning,علوم مواد , یادگیری ماشین ,
توضیحات Submitted 8 September, 2024; v1 submitted 5 September, 2024; originally announced September 2024. , Comments: 12 pages, 4 figures
توضیحات به فارسی ارسال شده در 8 سپتامبر 2024 ؛V1 ارسال شده 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 12 صفحه ، 4 شکل
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

Neural Network Potentials (NNPs) have attracted significant attention as a method for accelerating density functional theory (DFT) calculations. However, conventional NNP models typically do not incorporate spin degrees of freedom, limiting their applicability to systems where spin states critically influence material properties, such as transition metal oxides. This study introduces SpinMultiNet, a novel NNP model that integrates spin degrees of freedom through multi-task learning. SpinMultiNet achieves accurate predictions without relying on correct spin values obtained from DFT calculations. Instead, it utilizes initial spin estimates as input and leverages multi-task learning to optimize the spin latent representation while maintaining both $E(3)$ and time-reversal equivariance. Validation on a dataset of transition metal oxides demonstrates the high predictive accuracy of SpinMultiNet. The model successfully reproduces the energy ordering of stable spin configurations originating from superexchange interactions and accurately captures the rhombohedral distortion of the rocksalt structure. These results pave the way for new possibilities in materials simulations that consider spin degrees of freedom, promising future applications in large-scale simulations of various material systems, including magnetic materials.

چکیده به فارسی (ترجمه ماشینی)

پتانسیل های شبکه عصبی (NNPs) به عنوان روشی برای تسریع در محاسبات نظریه عملکردی چگالی (DFT) توجه قابل توجهی را به خود جلب کرده است.با این حال ، مدل های NNP معمولی به طور معمول دارای درجه چرخش آزادی نیستند ، و کاربرد آنها را در سیستم هایی محدود می کنند که حالت های چرخش به طور جدی بر خصوصیات مواد ، مانند اکسیدهای فلزی انتقال تأثیر می گذارند.این مطالعه Spinmultinet ، یک مدل جدید NNP را معرفی می کند که درجه های چرخش آزادی را از طریق یادگیری چند کاره ادغام می کند.spinmultinet بدون تکیه بر مقادیر چرخش صحیح به دست آمده از محاسبات DFT به پیش بینی های دقیق می رسد.در عوض ، از تخمین های چرخش اولیه به عنوان ورودی استفاده می کند و یادگیری چند وظیفه ای را برای بهینه سازی بازنمایی نهفته چرخش ضمن حفظ هر دو $ E (3) $ و Equivariance بازه زمانی انجام می دهد.اعتبارسنجی در مجموعه داده های اکسیدهای فلزی انتقال ، دقت پیش بینی کننده بالای spinmultinet را نشان می دهد.این مدل با موفقیت ترتیب انرژی تنظیمات چرخش پایدار ناشی از تعامل SuperexChange را تولید می کند و به طور دقیق اعوجاج رومبوهدال ساختار Rocksalt را ضبط می کند.این نتایج راه را برای امکانات جدید در شبیه سازی های مواد که درجه های چرخش آزادی را در نظر می گیرند ، هموار می کند و نوید برنامه های آینده در شبیه سازی های در مقیاس بزرگ از سیستم های مختلف مواد ، از جمله مواد مغناطیسی را می دهد.

📚 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.