Marktkapitalisierung: $2.184T 0.31%
Volumen (24h): $69.2158B -38.77%
  • Marktkapitalisierung: $2.184T 0.31%
  • Volumen (24h): $69.2158B -38.77%
  • Angst- und Gier-Index:
  • Marktkapitalisierung: $2.184T 0.31%
Kryptos
Themen
Cryptospedia
Nachricht
Cryptostopics
Videos
Top -Nachrichten
Kryptos
Themen
Cryptospedia
Nachricht
Cryptostopics
Videos
bitcoin
bitcoin

$64909.368160 USD

1.63%

ethereum
ethereum

$1819.307106 USD

2.42%

tether
tether

$0.999085 USD

-0.03%

bnb
bnb

$592.601020 USD

1.07%

usd-coin
usd-coin

$0.999847 USD

0.01%

xrp
xrp

$0.957814 USD

1.10%

solana
solana

$71.187802 USD

2.01%

tron
tron

$0.302772 USD

-1.15%

hyperliquid
hyperliquid

$66.461246 USD

2.40%

zcash
zcash

$896.786756 USD

0.40%

dogecoin
dogecoin

$0.058826 USD

2.33%

monero
monero

$488.910717 USD

0.57%

unus-sed-leo
unus-sed-leo

$9.176888 USD

0.60%

chainlink
chainlink

$9.149774 USD

1.32%

cardano
cardano

$0.153392 USD

2.45%

Nachrichtenartikel zu Kryptowährungen

TAIP: Interatomisches Potential der Testzeitanpassung für die molekulare Dynamik

Feb 23, 2025 at 03:08 am

Wir schlagen eine neuartige Online-Anpassungsstrategie für die Testzeit für interatomische Potentiale (TAIP) vor, um die Genauigkeit und Generalisierbarkeit von interatomischen Potentialen des maschinellen Lernens (MLIPS) zu verbessern.

TAIP: Interatomisches Potential der Testzeitanpassung für die molekulare Dynamik

Our work introduces a novel online test-time adaptation strategy for improving the performance of interatomic potentials on unseen molecular structures. The method is applied to two widely used invariant and equivariant machine learning interatomic potentials, namely SchNet and PaiNN, respectively. We demonstrate the superior performance of our method on multiple datasets, including small organic molecules, isomers of C7O2H10, liquid water, ice, and electrolyte solutions of different concentrations. The test data from these datasets are designed to have a larger distribution shift from the training data, and are therefore used to investigate the improvement in generalizability achieved by our method. We evaluate the performance of the models on fixed datasets and in molecular dynamics simulations. The results show that our method can enhance the accuracy of interatomic potentials on unseen molecular structures, and it is compatible with complex systems featuring periodic boundary conditions. Moreover, we explore the impact of our method on feature distributions through dimensionality reductions, which provides insights into the mechanism behind the improvement from the perspective of feature embedding.

Unsere Arbeit führt eine neuartige Strategie zur Anpassung der Online-Testzeit ein, um die Leistung interatomischer Potentiale für unsichtbare molekulare Strukturen zu verbessern. Die Methode wird auf zwei weit verbreitete invariante und äquivariante interatomische Potentiale für maschinelles Lernen angewendet, nämlich SCHNET bzw. Schmerz. Wir demonstrieren die überlegene Leistung unserer Methode auf mehreren Datensätzen, einschließlich kleiner organischer Moleküle, Isomere von C7O2H10, flüssigem Wasser, Eis und Elektrolytlösungen unterschiedlicher Konzentrationen. Die Testdaten aus diesen Datensätzen sind so konzipiert, dass sie eine größere Verteilungsverschiebung von den Trainingsdaten haben und daher verwendet werden, um die nach unserer Methode erzielte Verbesserung der Generalisierbarkeit zu untersuchen. Wir bewerten die Leistung der Modelle zu festen Datensätzen und in molekularen Dynamiksimulationen. Die Ergebnisse zeigen, dass unsere Methode die Genauigkeit interatomischer Potentiale bei unsichtbaren molekularen Strukturen verbessern kann und mit komplexen Systemen mit regelmäßigen Randbedingungen kompatibel ist. Darüber hinaus untersuchen wir die Auswirkungen unserer Methode auf Merkmalsverteilungen durch Dimensionalitätsreduzierungen, was Einblicke in den Mechanismus hinter der Verbesserung aus der Sicht der Merkmalsbettung liefert.

Originalquelle:nature

Haftungsausschluss:info@kdj.com

Die bereitgestellten Informationen stellen keine Handelsberatung dar. kdj.com übernimmt keine Verantwortung für Investitionen, die auf der Grundlage der in diesem Artikel bereitgestellten Informationen getätigt werden. Kryptowährungen sind sehr volatil und es wird dringend empfohlen, nach gründlicher Recherche mit Vorsicht zu investieren!

Wenn Sie glauben, dass der auf dieser Website verwendete Inhalt Ihr Urheberrecht verletzt, kontaktieren Sie uns bitte umgehend (info@kdj.com) und wir werden ihn umgehend löschen.

Weitere Artikel veröffentlicht am Nov 17, 2026