論文の概要: Graph Neural Network for Hamiltonian-Based Material Property Prediction

• arxiv url: http://arxiv.org/abs/2005.13352v1
• Date: Wed, 27 May 2020 13:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 09:53:18.716800
• Title: Graph Neural Network for Hamiltonian-Based Material Property Prediction
• Title（参考訳）: ハミルトン型材料特性予測のためのグラフニューラルネットワーク
• Authors: Hexin Bai, Peng Chu, Jeng-Yuan Tsai, Nathan Wilson, Xiaofeng Qian, Qimin Yan, Haibin Ling
• Abstract要約: 無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
• 参考スコア（独自算出の注目度）: 56.94118357003096
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Development of next-generation electronic devices for applications call for the discovery of quantum materials hosting novel electronic, magnetic, and topological properties. Traditional electronic structure methods require expensive computation time and memory consumption, thus a fast and accurate prediction model is desired with increasing importance. Representing the interactions among atomic orbitals in any material, a material Hamiltonian provides all the essential elements that control the structure-property correlations in inorganic compounds. Effective learning of material Hamiltonian by developing machine learning methodologies therefore offers a transformative approach to accelerate the discovery and design of quantum materials. With this motivation, we present and compare several different graph convolution networks that are able to predict the band gap for inorganic materials. The models are developed to incorporate two different features: the information of each orbital itself and the interaction between each other. The information of each orbital includes the name, relative coordinates with respect to the center of super cell and the atom number, while the interaction between orbitals are represented by the Hamiltonian matrix. The results show that our model can get a promising prediction accuracy with cross-validation.
• Abstract（参考訳）: 応用のための次世代電子デバイスの開発は、新しい電子・磁気・トポロジカルな特性を持つ量子材料の発見を要求する。 従来の電子構造法は計算時間とメモリ消費を必要とするため、より高速で正確な予測モデルが求められている。 物質ハミルトニアンは、任意の物質中の原子軌道間の相互作用を表現し、無機化合物の構造-不純物相関を制御する重要な要素を全て提供する。 機械学習手法の開発による材料ハミルトンの効果的な学習は、量子材料の発見と設計を加速するための変換的アプローチを提供する。 このモチベーションにより、無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 それぞれの軌道の情報には、スーパーセルの中心と原子番号に関する相対座標の名前が含まれ、軌道間の相互作用はハミルトン行列で表される。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。

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)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain [0.0]
  準1次元材料の電子構造を予測できる機械学習モデルを提案する。 この技術はナノチューブ、ナノリボン、ナノワイヤ、ナノアセンブリといった重要な材料に適用される。
  論文  参考訳（メタデータ） (2022-02-02T09:32:03Z)
• Programmable Interactions and Emergent Geometry in an Atomic Array [0.0]
  非局所的な相互作用は、量子系の情報の流れと相関の形成を制御している。 光学キャビティ内の原子アンサンブルの配列におけるプログラム可能な非局所相互作用の実現について報告する。 我々の研究は、フラストレーション磁石とトポロジカルフェーズのシミュレーション、量子最適化アルゴリズムの調査、およびセンシングと計算のための新しい絡み合ったリソース状態の工学に関する幅広い展望を開放する。
  論文  参考訳（メタデータ） (2021-06-08T03:00:49Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• 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)
• Orbital Graph Convolutional Neural Network for Material Property Prediction [0.0]
  本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。 OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。 本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
  論文  参考訳（メタデータ） (2020-08-14T15:22:22Z)

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。