Fugu-MT 論文翻訳(概要): DeePKS: a comprehensive data-driven approach towards chemically accurate density functional theory

論文の概要: DeePKS: a comprehensive data-driven approach towards chemically accurate density functional theory

arxiv url: http://arxiv.org/abs/2008.00167v2
Date: Thu, 10 Dec 2020 20:33:11 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 01:12:23.284593
Title: DeePKS: a comprehensive data-driven approach towards chemically accurate density functional theory
Title（参考訳）: DeePKS: 化学的に正確な密度汎関数論への包括的データ駆動アプローチ
Authors: Yixiao Chen, Linfeng Zhang, Han Wang and E Weinan
Abstract要約: 本稿では,正確で広く応用可能なエネルギー機能を構築するための汎用機械学習ベースのフレームワークを提案する。大規模なデータセットを取得可能な自己整合モデルのトレーニング方法を開発する。この訓練によって得られる関数は、大規模な分子のエネルギー、力、双極子、電子密度を化学的に正確に予測することを示した。
参考スコア（独自算出の注目度）: 9.431567429927933
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a general machine learning-based framework for building an accurate and widely-applicable energy functional within the framework of generalized Kohn-Sham density functional theory. To this end, we develop a way of training self-consistent models that are capable of taking large datasets from different systems and different kinds of labels. We demonstrate that the functional that results from this training procedure gives chemically accurate predictions on energy, force, dipole, and electron density for a large class of molecules. It can be continuously improved when more and more data are available.
Abstract（参考訳）: 本稿では,一般化コーン・シャム密度汎関数理論の枠組みの中で,正確かつ広く適用可能なエネルギー汎関数を構築するための汎用機械学習に基づくフレームワークを提案する。この目的のために,異なるシステムと異なる種類のラベルから大規模データセットを取得できる自己整合モデルのトレーニング方法を開発した。実験の結果得られた機能によって, 分子のエネルギー, 力, 双極子, 電子密度を化学的に正確に予測できることを実証した。より多くのデータが利用可能になったら、継続的に改善できる。

関連論文リスト

Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
論文参考訳（メタデータ） (2024-03-14T16:52:57Z)
Predicting Properties of Periodic Systems from Cluster Data: A Case Study of Liquid Water [0.6562256987706128]
局所的な原子中心の機械学習電位記述子がクラスタモデルトレーニングデータからバルク特性の予測を可能にすることを示す。密度汎関数理論を用いて, バルク液の構造的および動的性質を調べた。
論文参考訳（メタデータ） (2023-12-03T14:37:27Z)
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)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
KineticNet: Deep learning a transferable kinetic energy functional for orbital-free density functional theory [13.437597619451568]
KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
論文参考訳（メタデータ） (2023-05-08T17:43:31Z)
Statistically Optimal Force Aggregation for Coarse-Graining Molecular Dynamics [55.41644538483948]
粗粒(CG)モデルは、原子論的な分子動力学で可能な以上の大きな分子複合体をシミュレートする可能性がある。 CG力場を学習するための広く使われている方法論は、全原子分子動力学からCG表現への力のマッピングと、平均してCG力場とマッチングするものである。我々は、全原子力のCG表現へのマッピングには柔軟性があり、最もよく使われるマッピング手法は統計的に非効率的であり、全原子シミュレーションにおける制約の存在においても、潜在的に誤りであることを示した。
論文参考訳（メタデータ） (2023-02-14T14:35:39Z)
Electronic-structure properties from atom-centered predictions of the electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文参考訳（メタデータ） (2022-06-28T15:35:55Z)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)
A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文参考訳（メタデータ） (2021-02-04T03:11:00Z)
DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
論文参考訳（メタデータ） (2020-11-04T16:56:08Z)
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。