論文の概要: Towards High Performance Relativistic Electronic Structure Modelling:
The EXP-T Program Package
- arxiv url: http://arxiv.org/abs/2004.03682v1
- Date: Tue, 7 Apr 2020 20:08:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 04:01:03.196142
- Title: Towards High Performance Relativistic Electronic Structure Modelling:
The EXP-T Program Package
- Title(参考訳): 高性能相対論的電子構造モデリングを目指して:EXP-Tプログラムパッケージ
- Authors: Alexander V. Oleynichenko, Andr\'ei Zaitsevskii, Ephraim Eliav
- Abstract要約: 並列計算機用に設計されたFS-RCC方式の新たな実装を提案する。
実装のパフォーマンスとスケーリングの特徴を分析した。
開発されたソフトウェアは、重い超重核を含む原子や分子の性質を予測するための全く新しいレベルの精度を達成することができる。
- 参考スコア(独自算出の注目度): 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern challenges arising in the fields of theoretical and experimental
physics require new powerful tools for high-precision electronic structure
modelling; one of the most perspective tools is the relativistic Fock space
coupled cluster method (FS-RCC). Here we present a new extensible
implementation of the FS-RCC method designed for modern parallel computers. The
underlying theoretical model, algorithms and data structures are discussed. The
performance and scaling features of the implementation are analyzed. The
software developed allows to achieve a completely new level of accuracy for
prediction of properties of atoms and molecules containing heavy and superheavy
nuclei.
- Abstract(参考訳): 理論物理学および実験物理学の分野で生じる現代の課題は、高精度な電子構造モデリングのための新しい強力なツールを必要とする。
本稿では,現代の並列計算機用に設計されたFS-RCC法の実装について述べる。
基礎となる理論モデル、アルゴリズム、データ構造について論じる。
実装のパフォーマンスとスケーリング機能は分析される。
開発されたソフトウェアは、重い超重核を含む原子や分子の性質を予測するための全く新しいレベルの精度を達成することができる。
関連論文リスト
- Universal Machine Learning Kohn-Sham Hamiltonian for Materials [5.337302350000984]
本研究は、第一原理DFT計算から得られたハミルトン行列に基づいて訓練された普遍電子ハミルトニアンモデルを紹介する。
複雑な多要素系を含む周期表全体にわたって電子構造を予測する際の一般化を実証する。
論文 参考訳(メタデータ) (2024-02-14T15:38:56Z) - The Role of Reference Points in Machine-Learned Atomistic Simulation
Models [0.0]
化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。
FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
論文 参考訳(メタデータ) (2023-10-28T01:02:14Z) - Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳(メタデータ) (2023-07-14T14:48:52Z) - A Data-Driven Modeling and Control Framework for Physics-Based Building
Emulators [59.821144959060305]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。
a)モデル評価を高速化し、安価な勾配を提供し、モデル予測制御(MPC)の後退地平線に対して良好な予測精度を有する、微分可能な代理モデルのオフライントレーニング。
BOPTEST(Building Optimization Testing Framework)において、複数のサロゲートモデルと異なるテストケースに対する最適化フレームワークを用いて、モデリングおよび制御性能を広範囲に検証する。
論文 参考訳(メタデータ) (2023-01-31T06:55:19Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳(メタデータ) (2021-02-25T20:28:52Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2020-11-10T19:31:29Z) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳(メタデータ) (2020-11-05T06:48:46Z) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳(メタデータ) (2020-07-15T22:38:41Z) - Gradient-Based Training and Pruning of Radial Basis Function Networks
with an Application in Materials Physics [0.24792948967354234]
本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。
連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
論文 参考訳(メタデータ) (2020-04-06T11:32:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。