論文の概要: Machine Learning a Molecular Hamiltonian for Predicting Electron Dynamics

• arxiv url: http://arxiv.org/abs/2007.09814v2
• Date: Mon, 31 Aug 2020 05:39:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:06:28.927233
• Title: Machine Learning a Molecular Hamiltonian for Predicting Electron Dynamics
• Title（参考訳）: 電子動力学予測のための分子ハミルトニアンの機械学習
• Authors: Harish S. Bhat and Karnamohit Ranka and Christine M. Isborn
• Abstract要約: 電子密度の行列値時系列から分子ハミルトニアン行列を学習する計算法を開発した。 得られたハミルトニアンは電子密度の進化に利用でき、トレーニングデータを超える1000の時間ステップを伝播しても非常に正確な結果が得られる。
• 参考スコア（独自算出の注目度）: 1.933681537640272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a computational method to learn a molecular Hamiltonian matrix from matrix-valued time series of the electron density. As we demonstrate for three small molecules, the resulting Hamiltonians can be used for electron density evolution, producing highly accurate results even when propagating 1000 time steps beyond the training data. As a more rigorous test, we use the learned Hamiltonians to simulate electron dynamics in the presence of an applied electric field, extrapolating to a problem that is beyond the field-free training data. We find that the resulting electron dynamics predicted by our learned Hamiltonian are in close quantitative agreement with the ground truth. Our method relies on combining a reduced-dimensional, linear statistical model of the Hamiltonian with a time-discretization of the quantum Liouville equation within time-dependent Hartree Fock theory. We train the model using a least-squares solver, avoiding numerous, CPU-intensive optimization steps. For both field-free and field-on problems, we quantify training and propagation errors, highlighting areas for future development.
• Abstract（参考訳）: 電子密度の行列値時系列から分子ハミルトニアン行列を学習するための計算法を開発した。 3つの小さな分子が示すように、結果として得られるハミルトニアンは電子密度の進化に利用でき、トレーニングデータを超える1000の時間ステップを伝播しても非常に正確な結果が得られる。 より厳密なテストとして、学習されたハミルトニアンを用いて、応用電界の存在下での電子動力学をシミュレートし、フィールドフリーのトレーニングデータを超えた問題に外挿する。 学習したハミルトニアンによって予測された電子力学は、基底の真理と密に定量的に一致している。 本手法は,ハミルトニアンの還元次元線形統計モデルと,時間依存ハートリーフォック理論における量子リウヴィル方程式の時間離散化を組み合わせたものである。 最小二乗解法を用いてモデルをトレーニングし、CPU集約的な最適化手順を避ける。 フィールドフリー問題とフィールドオン問題の両方において、トレーニングと伝播エラーを定量化し、今後の開発分野を強調する。

関連論文リスト

• E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction [0.0]
  Slater-Type Orbitals (STO) からインスピレーションを得た新しいSE(3)-equivariantアーキテクチャを提案する。 我々のアプローチは、学習された軌道のような分子表現に代替的な機能形式を提供する。 分子電子密度のSOTA予測精度を他の分子動力学データよりも30～70%向上させることにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T15:20:33Z)
• Quantum simulation for strongly interacting fermions with neutral atoms array: towards the simulation of materials of interest [0.0]
  化学のためのRydberg原子シミュレータに実装可能な変分アルゴリズムを設計する。 測定回数を制限することで、5%の誤差でH2、LiH、BeH2分子の基本的なエネルギーに到達できることが示される。 第二のアルゴリズムでは、Rydberg原子シミュレータ上でFermi-Hubbard 2Dモデルの物理を実装するために「スレーブ」スピン法を用いた。
  論文  参考訳（メタデータ） (2024-06-19T08:48:10Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• 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)
• Transferable E(3) equivariant parameterization for Hamiltonian of molecules and solids [5.512295869673147]
  本研究では,分子と固体の半初期強結合ハミルトニアンを予測するために,HamNetと呼ばれるE(3)同変ニューラルネットワークを開発した。 提案フレームワークは、電子構造計算を高速化するための一般的な転送可能なモデルを提供する。
  論文  参考訳（メタデータ） (2022-10-28T14:56:24Z)
• Algebraic Compression of Quantum Circuits for Hamiltonian Evolution [52.77024349608834]
  時間依存ハミルトニアンの下でのユニタリ進化は、量子ハードウェアにおけるシミュレーションの重要な構成要素である。 本稿では、トロッターステップを1ブロックの量子ゲートに圧縮するアルゴリズムを提案する。 この結果、ハミルトニアンのある種のクラスに対する固定深度時間進化がもたらされる。
  論文  参考訳（メタデータ） (2021-08-06T19:38:01Z)
• Statistical learning method for predicting density-matrix based electron dynamics [2.6763498831034034]
  電子密度行列の時系列から分子ハミルトン行列を学習する。 時間依存ハートリー・フォック方程式を解くことで、時間内の電子密度を伝播し、フィールドフリーおよびフィールドオンシナリオに対するそのダイナミクスを予測することができる。 トレーニングデータに類似したフィールドオフ軌跡と,トレーニングデータ以外のフィールドオン軌跡の双方について,予測力学と基底真理の密接な定量的一致を観察する。
  論文  参考訳（メタデータ） (2021-07-31T20:22:40Z)
• 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)
• 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。