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
- Force-free identification of minimum-energy pathways and transition
states for stochastic electronic structure theories [0.18641315013048293]
代用ヘッセン線探索法を用いて, MEP および TS 構造を効率的に同定する手法を提案する。
力のない量子モンテカルロ法を用いてMEPとTSを同定できることを示す。
論文 参考訳(メタデータ) (2024-02-20T17:58:43Z) - 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 [72.73126947400603]
我々は、999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ために、QH9と名付けられた新しい量子ハミルトンデータセットを生成する。
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) - SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities [4.2572103161049055]
本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
論文 参考訳(メタデータ) (2021-06-04T08:57:46Z) - Learning the exchange-correlation functional from nature with fully
differentiable density functional theory [0.0]
我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。
我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
論文 参考訳(メタデータ) (2021-02-08T14:25:10Z) - 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。