論文の概要: OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features

• arxiv url: http://arxiv.org/abs/2007.08026v3
• Date: Tue, 18 Jan 2022 19:04:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 06:39:14.352367
• Title: OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features
• Title（参考訳）: OrbNet: シンメトリー適応原子軌道特徴を用いた量子化学の深層学習
• Authors: Zhuoran Qiao, Matthew Welborn, Animashree Anandkumar, Frederick R. Manby, and Thomas F. Miller III
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.96944345045462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a machine learning method in which energy solutions from the Schrodinger equation are predicted using symmetry adapted atomic orbitals features and a graph neural-network architecture. \textsc{OrbNet} is shown to outperform existing methods in terms of learning efficiency and transferability for the prediction of density functional theory results while employing low-cost features that are obtained from semi-empirical electronic structure calculations. For applications to datasets of drug-like molecules, including QM7b-T, QM9, GDB-13-T, DrugBank, and the conformer benchmark dataset of Folmsbee and Hutchison, \textsc{OrbNet} predicts energies within chemical accuracy of DFT at a computational cost that is thousand-fold or more reduced.
• Abstract（参考訳）: 本稿では, 対称性に適応した原子軌道特徴とグラフニューラルネットアーキテクチャを用いて, シュロディンガー方程式からのエネルギー解を予測する機械学習手法を提案する。 半経験的電子構造計算から得られた低コストの特徴を活用しつつ, 密度汎関数理論の結果を予測するための学習効率と伝達性の観点から, 既存の手法より優れていることを示す。 QM7b-T, QM9, GDB-13-T, DrugBank, and the conformer benchmark dataset of Folmsbee and Hutchison, \textsc{OrbNet}は、DFTの化学的精度におけるエネルギーを1000倍以上の計算コストで予測する。

関連論文リスト

• Orbital-free density functional theory with first-quantized quantum subroutines [0.0]
  確率的想像時間進化(PITE)を用いた軌道自由密度汎関数理論(OFDFT)を実現する量子古典ハイブリッドスキームを提案する。 PITEはOFDFTの一部に適用され、各自己整合体(SCF)反復におけるハミルトニアン基底状態を探索する。 ハミルトンの基底状態エネルギーを得るには、回路深さが$O(log N_mathrmg)$が必要である。
  論文  参考訳（メタデータ） (2024-07-23T05:34:11Z)
• Machine learning Hubbard parameters with equivariant neural networks [0.0]
  等変ニューラルネットワークに基づく機械学習モデルを提案する。 ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。 本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
  論文  参考訳（メタデータ） (2024-06-04T16:21:24Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Electronic excited states from physically-constrained machine learning [0.0]
  本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。 結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
  論文  参考訳（メタデータ） (2023-11-01T20:49:59Z)
• 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)
• Numerical Simulations of Noisy Quantum Circuits for Computational Chemistry [51.827942608832025]
  短期量子コンピュータは、小さな分子の基底状態特性を計算することができる。 計算アンサッツの構造と装置ノイズによる誤差が計算にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2021-12-31T16:33:10Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• 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)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  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。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。