Fugu-MT 論文翻訳(概要): Detecting non-local effects in the electronic structure of a simple covalent system with machine learning methods

論文の概要: Detecting non-local effects in the electronic structure of a simple covalent system with machine learning methods

arxiv url: http://arxiv.org/abs/2008.11277v1
Date: Tue, 25 Aug 2020 21:12:19 GMT
ステータス: 処理完了
システム内更新日: 2023-05-04 23:44:25.616207
Title: Detecting non-local effects in the electronic structure of a simple covalent system with machine learning methods
Title（参考訳）: 機械学習を用いた単純共有型システムの電子構造における非局所効果の検出
Authors: Behnam Parsaeifard, Jonas A. Finkler, Stefan Goedecker
Abstract要約: 機械学習から借用された手法を用いて、単純な共有原子系の炭素原子の局所的な物性に完全にアルゴリズム的に長い範囲で影響を検出する。これらの長距離効果が多くの構成に対して存在するという事実は、力場や現代の機械学習スキームのような原子論的シミュレーション手法が正確性に制限されていることを示唆している。
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: Using methods borrowed from machine learning we detect in a fully algorithmic way long range effects on local physical properties in a simple covalent system of carbon atoms. The fact that these long range effects exist for many configurations implies that atomistic simulation methods, such as force fields or modern machine learning schemes, that are based on locality assumptions, are limited in accuracy. We show that the basic driving mechanism for the long range effects is charge transfer. If the charge transfer is known, locality can be recovered for certain quantities such as the band structure energy.
Abstract（参考訳）: 機械学習から借用した手法を用いて、炭素原子の単純な共有結合系において、局所的物性に対する完全アルゴリズム的長距離効果を検出する。これらの長距離効果が多くの構成で存在しているという事実は、局所性仮定に基づく力場や現代の機械学習スキームのような原子論的シミュレーション手法は精度が限られていることを示している。長距離効果の基本的な駆動機構は電荷移動であることを示す。電荷移動が知られている場合、バンド構造エネルギーのような特定の量で局所性を回復することができる。

関連論文リスト

Quantum Machine Learning With Canonical Variables [0.0]
荷電粒子上での動的電磁界制御の利用は、状態を直接ではなく観測可能上で動く量子機械学習プラットフォームの基礎となる。このプラットフォームは、電磁場を制御源として利用するイオントラップや粒子閉じ込め装置で物理的に実現することができる。
論文参考訳（メタデータ） (2024-06-10T16:10:42Z)
Demonstrating efficient and robust bosonic state reconstruction via optimized excitation counting [33.12402484053305]
本稿では,一般化Q-関数の考え方に基づいて,励起数サンプリング(ORENS)を用いた最適化再構成の効率的かつ堅牢な手法を提案する。我々の研究は、ボソニックモードを用いた実用的な量子情報処理のための重要かつ価値のあるプリミティブを提供する。
論文参考訳（メタデータ） (2024-03-05T16:05:02Z)
Iterative Qubit Coupled Cluster using only Clifford circuits [36.136619420474766]
古典的に容易に生成できる理想的な状態準備プロトコルを特徴付けることができる。繰り返し量子ビット結合クラスタ(iQCC)の変種を導入して,これらの要件を満たす手法を提案する。本研究では, チタン系化合物Ti(C5H5)(CH3)3と (20, 20) 活性空間の複雑な系に研究を拡張した。
論文参考訳（メタデータ） (2022-11-18T20:31:10Z)
Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文参考訳（メタデータ） (2022-02-01T03:53:39Z)
Quantum Causal Unravelling [44.356294905844834]
我々は,多部量子プロセスにおける相互作用の因果構造を明らかにするための,最初の効率的な方法を開発した。我々のアルゴリズムは、量子プロセストモグラフィーの技法で効率的に特徴付けることができるプロセスを特定するのに利用できる。
論文参考訳（メタデータ） (2021-09-27T16:28:06Z)
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)
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)
Neighbor Oblivious Learning (NObLe) for Device Localization and Tracking [34.98694924342293]
主な理由は、機械学習が同等の精度でGPSクエリよりもはるかにエネルギー効率が高いことである。本稿では,これらの基本構造情報を利用することができないため,最先端のシステムでは精度が著しく低下していると論じる。 WiFiベースの指紋位置測定と慣性計測ユニット(IMU)ベースのデバイストラッキングを含む2つのアプリケーションにおけるアプローチの有効性を実証し、最先端の予測精度よりも大幅に向上したことを示す。
論文参考訳（メタデータ） (2020-11-23T17:25:25Z)
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)
Solving Quasiparticle Band Spectra of Real Solids using Neural-Network Quantum States [0.0]
人工ニューラルネットワークは、拡張周期材料の第一原理計算に優れたツールであることを示す。 1次元, 2次元, 3次元系における実固体の基底状態エネルギーは, 正確にシミュレートされている。この研究は、固体系の興味深く複雑な多体現象を解明する道を開く。
論文参考訳（メタデータ） (2020-10-03T13:41:13Z)
Multi-scale approach for the prediction of atomic scale properties [0.0]
局所性は、量子力学的観測可能性を予測する機械学習スキームの下にある。これらのアプローチの主な欠点の1つは、物理的効果を捉えることができないことである。我々は、同じフレームワークのローカル情報と非ローカル情報を組み合わせたマルチスケールスキームの構築方法を示す。
論文参考訳（メタデータ） (2020-08-27T14:01:00Z)

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。