machine learning

[kbob]

Наткнулся на необычную статью о применении машинного обучения в расчетах.
https://www.nature.com/articles/s41467-017-00839-3

это какая-то хайповая область, или в основе такого подхода есть рациональное зерно?

[bigM]

я ничего не понял

[eFo]

Это настолько хайповая область, что уже деваться от нее некуда...Достаточно только в поиске набрать и увидеть сколько статей с ML в химии (и особенно в Materials Science). Ну или в органике уже: http://pubs.acs.org/doi/full/10.1021/acscentsci.7b00064

Естественно в ней есть рациональное зерно, если вы верите в машинное обучение. Уже что только не предсказывают... Даже наш центр получил огромный грант на использование ML для МОФов

[kbob]

Это настолько хайповая область, что уже деваться от нее некуда...Достаточно только в поиске набрать и увидеть сколько статей с ML в химии (и особенно в Materials Science). Ну или в органике уже: http://pubs.acs.org/doi/full/10.1021/acscentsci.7b00064

Естественно в ней есть рациональное зерно, если вы верите в машинное обучение. Уже что только не предсказывают... Даже наш центр получил огромный грант на использование ML для МОФов

Машинное обучение может решать задачу классификации многомерных данных. Если у вас есть достаточно большой тренировочный набор и небольшое количество классов по которым нужно отсортировать данные, то задача решается легко.

Но меня в частности заинтересовала статья http://pubs.acs.org/doi/abs/10.1021/acs.jctc.5b01011 в которой предлагается с помощью ML находить функционал кинетической энергии для orbital-free (OF) DFT.
На святое покушаются!

[Гесс]

Но меня в частности заинтересовала статья http://pubs.acs.org/doi/abs/10.1021/acs.jctc.5b01011 в которой предлагается с помощью ML находить функционал кинетической энергии для orbital-free (OF) DFT.
На святое покушаются!

Гы, прикольно, прочитал абстракт но по моему мне будет тяжеловато проникнуться. Не затруднит ли вас (или кого другого) разжевать эту мысль на повседневно-пигмейском?

[kbob]

Но меня в частности заинтересовала статья http://pubs.acs.org/doi/abs/10.1021/acs.jctc.5b01011 в которой предлагается с помощью ML находить функционал кинетической энергии для orbital-free (OF) DFT.
На святое покушаются!

Гы, прикольно, прочитал абстракт но по моему мне будет тяжеловато проникнуться. Не затруднит ли вас (или кого другого) разжевать эту мысль на повседневно-пигмейском?

Понравилось из статьи

Convolutional neural networks are a locally constrained form of neural network, inspired by the structure of the animal visual cortex. They are appropriate for data like images (and electron density) which have local features.

Разжевать не могу, сам кое как понимаю, что они хотят научить нейронную сеть учитывать нелокальные корреляции в функционале DFT.

[EvgeniX]

Они хотят параметризовать функционал дальше некуда?

[madschumacher]

Они хотят параметризовать функционал дальше некуда?

Да, по-сути так и есть. Слушал эти доклады на конференции, в т.ч. и от Burke. Самое смешное, что это работает. Но пока там всё не очень универсально.
Ещё есть работы, где на основе нескольких опорных расчетов предсказывают поверхности потенциальной энергии, в т.ч. и для возбужденных состояний. По-идее это ускоряет расчёт молдинамики подобных систем.

Вообще с обучением подобных штук приходится много разной хрени учитывать, например, трансляционную/вращательную симметрию, т.к. прописать её в модели обучения очень сложно.

Кст, коммент Burke порадовал: я всю жизнь занимался созданием функционалов с как можно меньшим числом параметров, но внезапно теперь перешёл к параметризациям, где число параметров астрономически большое.

[kbob]

Они хотят параметризовать функционал дальше некуда?

Вообще с обучением подобных штук приходится много разной хрени учитывать, например, трансляционную/вращательную симметрию, т.к. прописать её в модели обучения очень сложно.

Да, проблемы тоже, что и при анализе фотографий и изображений - распознать повернутое лицо. Трансляционной симметрии в молекулах к счастью нет. Ну а с вращательной было бы интересно сказать нейронной сети - слышь, тут группа симметрии C2v, учти это.