論文の概要: Accelerating Finite-temperature Kohn-Sham Density Functional Theory with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2010.04905v2
• Date: Fri, 9 Jul 2021 08:18:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 23:38:03.856659
• Title: Accelerating Finite-temperature Kohn-Sham Density Functional Theory with Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた有限温度コーンシャム密度関数理論の高速化
• Authors: J. Austin Ellis and Lenz Fiedler and Gabriel A. Popoola and Normand A. Modine and J. Adam Stephens and Aidan P. Thompson and Attila Cangi and Sivasankaran Rajamanickam
• Abstract要約: 本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。 ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。 本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
• 参考スコア（独自算出の注目度）: 2.7035666571881856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a numerical modeling workflow based on machine learning (ML) which reproduces the the total energies produced by Kohn-Sham density functional theory (DFT) at finite electronic temperature to within chemical accuracy at negligible computational cost. Based on deep neural networks, our workflow yields the local density of states (LDOS) for a given atomic configuration. From the LDOS, spatially-resolved, energy-resolved, and integrated quantities can be calculated, including the DFT total free energy, which serves as the Born-Oppenheimer potential energy surface for the atoms. We demonstrate the efficacy of this approach for both solid and liquid metals and compare results between independent and unified machine-learning models for solid and liquid aluminum. Our machine-learning density functional theory framework opens up the path towards multiscale materials modeling for matter under ambient and extreme conditions at a computational scale and cost that is unattainable with current algorithms.
• Abstract（参考訳）: 有限電子温度でコーン・シャム密度汎関数理論(DFT)によって生成された総エネルギーを、無視可能な計算コストで化学精度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。 ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。 LDOSから、原子のボルン・オッペンハイマーポテンシャルエネルギー表面として機能するDFT全自由エネルギーを含む空間分解、エネルギー分解、統合量を計算することができる。 本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立および統一機械学習モデルとの比較を行った。 機械学習の密度汎関数理論の枠組みは、現在のアルゴリズムでは達成不可能な計算規模とコストで、環境条件および極限条件下でのマルチスケール材料モデリングへの道を開く。

関連論文リスト

• Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
  Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。 両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
  論文  参考訳（メタデータ） (2024-11-16T23:16:59Z)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
  コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。 深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-22T15:24:08Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• 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)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• 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)
• 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)
• 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)
• 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)

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。