PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.10969v1cs.LG

ASPIRE: 집합 예측과 물리적 미세 조정을 통한 안부점 발견

ASPIRE: Saddle-Point Discovery through Set Prediction and Physical Refinement

사건 기반(event-driven) 모델을 사용해 열적 활성화 확산 및 결함 진화를 예측하려면 원자 재배열 메커니즘과 그 활성화 장벽을 식별해야 합니다. 관련된 안부점(saddle point)을 발견하는 것은 주요 계산 병목 현상입니다. 하나의 준안정 상태에서 여러 재배열이 발생할 수 있는 반면, 비용이 많이 드는 국소 탐색은 실패하거나 동일한 안부점으로 반복 수렴할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 단일 초기 원자 환경(environment)으로부터 일련의 안부점 후보 집합을 예측하고 원래의 원자간 포텐셜 상에서 Dimer 탐색을 통해 이를 정밀화하는 프레임워크인 ASPIRE(Atomistic Saddle-Point Inference with Refinement for Events)를 제안합니다. 이 프레임워크의 등변 집합 예측기인 Ev-Quiformer는 (i) 다중 안부점 제안 생성을 위한 기하학 조건부 스칼라-벡터 사건 슬롯과 (ii) 원자, 슬롯 및 앵커 상대 벡터를 불변 계수와 결합하여 각 슬롯을 완전한 원자 변위장으로 매핑하는 디코더를 통합합니다. 우리는 또한 두 가지 데이터셋을 제공합니다: (i) 집합 지도 학습 및 정밀화 후 평가를 위해 초기 상태별로 그룹화된 4,000개의 4-공공(four-vacancy) 체심 입방 철 구성과 65,450개의 참조 사건으로 구성된 BCCFE4VACAV-4000, 그리고 (ii) 각각 1개에서 4개의 공공을 갖는 5,372개의 구성으로 이루어진 BCCFE-1TO4VAC입니다. 이론적으로는 제안 등변성(proposal equivariance)을 위한 조건을 정립합니다. 실험적으로 ASPIRE는 이 벤치마크에서 기존 Dimer 기준선(baseline)의 75.73%와 비교하여 77.20%의 참조 사건 커버리지를 달성하면서도 Dimer 힘 평가 횟수는 약 절반만 요구합니다. 50개 구성에 대한 소요 시간 평가에서 ASPIRE는 명시된 하드웨어 설정 기준 구성당 소요 시간(wall time)을 478.8초에서 176.3초로 단축합니다.

arXiv:2607.22596v1cs.AI

원자론적 시뮬레이션의 에이전트 기반 오케스트레이션

An Agentic Orchestration of Atomistic Simulations

원자론적 시뮬레이션은 재료 설계의 핵심이지만, 실행에는 상당한 인간 전문성을 요구하는 복잡한 다단계 워크플로가 포함된다. 본 연구에서는 URSA(Universal Research and Scientific Agent) 프레임워크에 내장된 에이전트 기반 시스템을 제시하며, 이는 Large-scale Atomic/Molecular Massively Parallel Simulator(LAMMPS) 도구를 사용하여 시연된 원자론적 시뮬레이션의 설계, 실행, 검증을 자동화한다. 우리 시스템은 원자간 퍼텐셜(interatomic potentials)을 자율적으로 선택하고, 시뮬레이션을 구성 및 실행하며, 폐루프(closed-loop) 워크플로 내에서 반복적 오류 복구를 수행한다. LAMMPS 및 Vienna Ab initio Simulation Package(VASP) 계산을 위한 고처리량(high-throughput) 툴킷인 LAVA의 결과와 벤치마킹하여 에이전트의 과학적 신뢰성을 평가한다. 우리 프레임워크는 수동 개입과 시행착오를 줄여, 원자론적 모델링의 엄밀성, 재현성, 확장성을 향상시킨다.

arXiv:2606.29975v1cs.LG

Atompack: 읽기 집중형 원자론적 ML 학습 데이터셋을 위한 저장 및 배포 층

Atompack: A Storage and Distribution Layer for Read-Heavy Atomistic ML Training Datasets

원자론적 머신러닝 학습에 특화된 저장 포맷 Atompack은 셔플된 학습 워크플로우에 맞춰 완전한 분자 레코드를 단일 인덱스 기반으로 서빙하는 추가-지향(append-oriented) 구조를 채택했다. HDF5, LMDB, ASE 대비 벤치마크에서 64원자 워크로드 기준 셔플 읽기 처리량이 ASE LMDB 대비 96배 빠르고 아티팩트 크기는 79% 감소하는 성능을 달성했다.