論文の概要: Machine learning for electronically excited states of molecules

• arxiv url: http://arxiv.org/abs/2007.05320v1
• Date: Fri, 10 Jul 2020 11:42:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 22:25:42.096114
• Title: Machine learning for electronically excited states of molecules
• Title（参考訳）: 分子の電子励起状態のための機械学習
• Authors: Julia Westermayr, Philipp Marquetand
• Abstract要約: 電子的に励起された分子状態は、光化学、光物理学、および光生物学の中心にある。 本稿では、励起状態シミュレーションを高速化するために機械学習がどのように使用されるかに焦点を当てる。
• 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: Electronically excited states of molecules are at the heart of photochemistry, photophysics, as well as photobiology and also play a role in material science. Their theoretical description requires highly accurate quantum chemical calculations, which are computationally expensive. In this review, we focus on how machine learning is employed not only to speed up such excited-state simulations but also how this branch of artificial intelligence can be used to advance this exciting research field in all its aspects. Discussed applications of machine learning for excited states include excited-state dynamics simulations, static calculations of absorption spectra, as well as many others. In order to put these studies into context, we discuss the promises and pitfalls of the involved machine learning techniques. Since the latter are mostly based on quantum chemistry calculations, we also provide a short introduction into excited-state electronic structure methods, approaches for nonadiabatic dynamics simulations and describe tricks and problems when using them in machine learning for excited states of molecules.
• Abstract（参考訳）: 分子の電子励起状態は、光化学、光物理、および光生物学の中心であり、物質科学においても重要な役割を果たしている。 彼らの理論記述には、計算コストが高い高精度な量子化学計算が必要である。 本稿では,このような興奮状態シミュレーションを高速化するだけでなく,人工知能のこの分野が,そのあらゆる側面においてこのエキサイティングな研究分野を前進させる上でどのように活用できるかを,機械学習がいかに活用するかに焦点をあてる。 励起状態に対する機械学習の応用例としては、励起状態ダイナミクスシミュレーション、吸収スペクトルの静的計算、その他多くのものがある。 これらの研究を文脈に当てはめるために、関連する機械学習技術の約束と落とし穴について論じる。 後者は、主に量子化学計算に基づくため、励起状態電子構造法、非断熱力学シミュレーションへのアプローチ、および分子の励起状態に機械学習でそれらを使用する際のトリックと問題を記述した短い紹介も提供する。

関連論文リスト

• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Recompilation-enhanced simulation of electron-phonon dynamics on IBM Quantum computers [62.997667081978825]
  小型電子フォノン系のゲートベース量子シミュレーションにおける絶対的資源コストについて考察する。 我々は、弱い電子-フォノン結合と強い電子-フォノン結合の両方のためのIBM量子ハードウェアの実験を行う。 デバイスノイズは大きいが、近似回路再コンパイルを用いることで、正確な対角化に匹敵する電流量子コンピュータ上で電子フォノンダイナミクスを得る。
  論文  参考訳（メタデータ） (2022-02-16T19:00:00Z)
• Atomistic Simulations for Reactions and Spectroscopy in the Era of Machine Learning -- Quo Vadis? [0.0]
  正確なエネルギー関数を用いた原子論シミュレーションは、気体および凝縮相における分子の機能運動に関する洞察を与えることができる。 この視点は、この分野における他者の努力と、自身の仕事のいくつかから現場の現状を明確にし、オープンな質問と将来の展望について議論する。
  論文  参考訳（メタデータ） (2022-01-11T08:03:22Z)
• 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)
• Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
  デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。 このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
  論文  参考訳（メタデータ） (2021-01-21T20:10:38Z)
• 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)
• Quantum Algorithm for Simulating Molecular Vibrational Excitations [0.0]
  振動遷移中の分子振動励起をシミュレーションする量子アルゴリズムを提案する。 本稿では、分子データを用いて特殊な量子コンピュータをプログラムし、ビブロン過程を最適化する方法について論じる。
  論文  参考訳（メタデータ） (2020-06-23T21:22:35Z)
• Machine learning and excited-state molecular dynamics [0.0]
  機械学習に基づく励起状態ダイナミクスの進歩を調査した。 光誘起分子プロセスのための機械学習アプローチの成功、落とし穴、課題、そして今後の道のりを強調します。
  論文  参考訳（メタデータ） (2020-05-28T16:43:18Z)
• Representations of molecules and materials for interpolation of quantum-mechanical simulations via machine learning [0.0]
  第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。 多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。 我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
  論文  参考訳（メタデータ） (2020-03-26T18:01:35Z)
• Predicting excited states from ground state wavefunction by supervised quantum machine learning [0.0]
  教師付き量子機械学習のスキームは、基底状態の波動関数のみから分子の励起状態特性を予測する。 我々の貢献により、量子化学と量子材料の研究における量子コンピュータの応用が強化される。
  論文  参考訳（メタデータ） (2020-02-28T18:53:55Z)

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。