論文の概要: A deep neural network for molecular wave functions in quasi-atomic
minimal basis representation
- arxiv url: http://arxiv.org/abs/2005.06979v2
- Date: Mon, 6 Jul 2020 07:08:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:38:07.564690
- Title: A deep neural network for molecular wave functions in quasi-atomic
minimal basis representation
- Title（参考訳）: 準原子最小基底表現における分子波動関数のためのディープニューラルネットワーク
- Authors: M. Gastegger, A. McSloy, M. Luya, K. T. Sch\"utt, R. J. Maurer
- Abstract要約: 今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。
5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emergence of machine learning methods in quantum chemistry provides new
methods to revisit an old problem: Can the predictive accuracy of electronic
structure calculations be decoupled from their numerical bottlenecks? Previous
attempts to answer this question have, among other methods, given rise to
semi-empirical quantum chemistry in minimal basis representation. We present an
adaptation of the recently proposed SchNet for Orbitals (SchNOrb) deep
convolutional neural network model [Nature Commun. 10, 5024 (2019)] for
electronic wave functions in an optimised quasi-atomic minimal basis
representation. For five organic molecules ranging from 5 to 13 heavy atoms,
the model accurately predicts molecular orbital energies and wavefunctions and
provides access to derived properties for chemical bonding analysis.
Particularly for larger molecules, the model outperforms the original
atomic-orbital-based SchNOrb method in terms of accuracy and scaling. We
conclude by discussing the future potential of this approach in quantum
chemical workflows.
- Abstract（参考訳）: 量子化学における機械学習手法の出現は、古い問題を再考する新しい方法をもたらす: 電子構造計算の予測精度は、それらの数値的ボトルネックから切り離せるか?
この質問に答える以前の試みは、他の方法の中でも、最小基底表現における半経験的量子化学を生み出した。
最近提案されたSchNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun. 10, 5024 (2019)]の準原子小基底表現最適化における電子波関数への適応について述べる。
5から13の重原子を含む5つの有機分子について、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
特に大きな分子の場合、モデルは精度とスケーリングの点で、原原子軌道ベースのSchNOrb法よりも優れている。
量子化学ワークフローにおけるこのアプローチの将来の可能性について論じる。
関連論文リスト
- QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Generalizing Neural Wave Functions [2.088583843514496]
本稿では, 神経波関数を異なる分子に適応させるニューラルネットワークを用いた再パラメータ化手法を提案する。
また、異なる分子のシュル・オーディンガー方程式を連立的に解けるように調整されたサイズ一貫性波動関数Ansatzを提案する。
計算化学と機械学習の両方において、1つの波動関数が異なる原子を結合した分子のシュル「オーディンガー方程式」を解くことができることを初めて証明する。
論文 参考訳（メタデータ） (2023-02-08T16:18:27Z) - A Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。
我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。
これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
論文 参考訳（メタデータ） (2022-11-24T15:38:55Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Engineering analog quantum chemistry Hamiltonians using cold atoms in
optical lattices [69.50862982117127]
数値的なアナログシミュレータの動作条件をベンチマークし、要求の少ない実験装置を見出す。
また、離散化と有限サイズ効果により生じるシミュレーションの誤差についてより深く理解する。
論文 参考訳（メタデータ） (2020-11-28T11:23:06Z) - On the equivalence of molecular graph convolution and molecular wave
function with poor basis set [7.106986689736826]
量子物理学に基づく機械学習モデルである量子深度場(QDF)について述べる。
分子エネルギー予測タスクでは、外挿の可能性を実証し、小さな分子でQDFモデルを訓練し、大きな分子でテストし、高い性能を実現した。
論文 参考訳（メタデータ） (2020-11-16T13:20:35Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z) - Sparse-Hamiltonian approach to the time evolution of molecules on
quantum computers [0.0]
分子問題を疎ハバード様ハミルトニアンにマッピングする可能性を探る。
これにより、グリーン関数に基づくハイブリッド量子古典アルゴリズムによる電子構造へのアプローチが可能になる。
論文 参考訳（メタデータ） (2020-09-26T20:32:06Z) - Quantum Simulation of 2D Quantum Chemistry in Optical Lattices [59.89454513692418]
本稿では,光学格子中の低温原子に基づく離散2次元量子化学モデルのアナログシミュレータを提案する。
まず、単一フェルミオン原子を用いて、HとH$+$の離散バージョンのような単純なモデルをシミュレートする方法を分析する。
次に、一つのボゾン原子が2つのフェルミオン間の効果的なクーロン反発を媒介し、2次元の水素分子の類似性をもたらすことを示す。
論文 参考訳（メタデータ） (2020-02-21T16:00:36Z)
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。