ترجمه فارسی مقاله StringNet: روش متغیر مبتنی بر شبکه عصبی برای مسیرهای انتقال

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 StringNET: Neural Network based Variational Method for Transition Pathways
عنوان مقاله به فارسی StringNet: روش متغیر مبتنی بر شبکه عصبی برای مسیرهای انتقال
نویسندگان Jiayue Han, Shuting Gu, Xiang Zhou
فرمت مقاله انگلیسی PDF
تعداد صفحات 25
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Chemical Physics,Machine Learning,فیزیک شیمیایی , یادگیری ماشین ,
توضیحات Submitted 12 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 12 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

Rare transition events in meta-stable systems under noisy fluctuations are crucial for many non-equilibrium physical and chemical processes. In these processes, the primary contributions to reactive flux are predominantly near the transition pathways that connect two meta-stable states. Efficient computation of these paths is essential in computational chemistry. In this work, we examine the temperature-dependent maximum flux path, the minimum energy path, and the minimum action path at zero temperature. We propose the StringNET method for training these paths using variational formulations and deep learning techniques. Unlike traditional chain-of-state methods, StringNET directly parametrizes the paths through neural network functions, utilizing the arc-length parameter as the main input. The tasks of gradient descent and re-parametrization in the string method are unified into a single framework using loss functions to train deep neural networks. More importantly, the loss function for the maximum flux path is interpreted as a softmax approximation to the numerically challenging minimax problem of the minimum energy path. To compute the minimum energy path efficiently and robustly, we developed a pre-training strategy that includes the maximum flux path loss in the early training stage, significantly accelerating the computation of minimum energy and action paths. We demonstrate the superior performance of this method through various analytical and chemical examples, as well as the two- and four-dimensional Ginzburg-Landau functional energy.

چکیده به فارسی (ترجمه ماشینی)

وقایع انتقال نادر در سیستم های متا پایدار تحت نوسانات پر سر و صدا برای بسیاری از فرآیندهای فیزیکی و شیمیایی غیر تعادل بسیار مهم است.در این فرآیندها ، سهم اصلی در شار واکنشی عمدتاً در نزدیکی مسیرهای انتقال است که دو حالت متا پایدار را به هم وصل می کند.محاسبه کارآمد این مسیرها در شیمی محاسباتی ضروری است.در این کار ، ما حداکثر مسیر شار وابسته به دما ، حداقل مسیر انرژی و حداقل مسیر عمل در دمای صفر را بررسی می کنیم.ما روش StringNet را برای آموزش این مسیرها با استفاده از فرمولاسیون های متغیر و تکنیک های یادگیری عمیق پیشنهاد می کنیم.بر خلاف روشهای سنتی زنجیره ای از حالت ، StringNet به طور مستقیم مسیرها را از طریق توابع شبکه عصبی پارامتر می کند و از پارامتر طول قوس به عنوان ورودی اصلی استفاده می کند.وظایف نزول شیب و پارامتری مجدد در روش رشته با استفاده از توابع ضرر برای آموزش شبکه های عصبی عمیق ، به یک چارچوب واحد متحد می شوند.مهمتر از همه ، عملکرد از دست دادن برای حداکثر مسیر شار به عنوان یک تقریب Softmax به مشکل Minimax عددی چالش برانگیز مسیر حداقل انرژی تعبیر می شود.برای محاسبه حداقل مسیر انرژی به طور مؤثر و محکم ، ما یک استراتژی قبل از آموزش را تهیه کردیم که شامل حداکثر از دست دادن مسیر شار در مرحله آموزش اولیه است ، به طور قابل توجهی سرعت محاسبه حداقل انرژی و مسیرهای عمل را تسریع می کند.ما عملکرد برتر این روش را از طریق نمونه های مختلف تحلیلی و شیمیایی و همچنین انرژی عملکردی دو و چهار بعدی Ginzburg-Landau نشان می دهیم.

📚 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.