論文の概要: Learning on-top: regressing the on-top pair density for real-space
visualization of electron correlation
- arxiv url: http://arxiv.org/abs/2010.07116v2
- Date: Mon, 30 Nov 2020 15:22:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-29 02:45:27.322457
- Title: Learning on-top: regressing the on-top pair density for real-space
visualization of electron correlation
- Title（参考訳）: オントップ学習:電子相関の実空間可視化のためのオントップ対密度の回帰
- Authors: Alberto Fabrizio, Ksenia R. Briling, David D. Girardier and Clemence
Corminboeuf
- Abstract要約: オントップ対密度は電子相関効果の強力な指標である。
GDB11AD-3165データベース上でCFオントップ密度分子のみを予測できる機械学習モデルを訓練する。
実空間における電子相関効果とボンドブレーキング適合の視覚的指標として,オントップ比を用いて回帰の精度を実証した。
- 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: The on-top pair density [$\Pi(\mathrm{\mathbf{r}})$] is a local
quantum-chemical property that reflects the probability of two electrons of any
spin to occupy the same position in space. Being the simplest quantity related
to the two-particle density matrix, the on-top pair density is a powerful
indicator of electron correlation effects, and as such, it has been extensively
used to combine density functional theory and multireference wavefunction
theory. The widespread application of $\Pi(\mathrm{\mathbf{r}})$ is currently
hindered by the need for post-Hartree--Fock or multireference computations for
its accurate evaluation. In this work, we propose the construction of a machine
learning model capable of predicting the CASSCF-quality on-top pair density of
a molecule only from its structure and composition. Our model, trained on the
GDB11-AD-3165 database, is able to predict with minimal error the on-top pair
density of organic molecules, bypassing completely the need for $\textit{ab
initio}$ computations. The accuracy of the regression is demonstrated using the
on-top ratio as a visual metric of electron correlation effects and
bond-breaking in real-space. In addition, we report the construction of a
specialized basis set, built to fit the on-top pair density in a single
atom-centered expansion. This basis, cornerstone of the regression, could be
potentially used also in the same spirit of the resolution-of-the-identity
approximation for the electron density.
- Abstract（参考訳）: オントップ対密度 (on-top pair density) [$\pi(\mathrm{\mathbf{r}})$] は、スピンの2つの電子が空間において同じ位置を占める確率を反映した局所量子化学的性質である。
2粒子密度行列に関連する最も単純な量であるため、オントップ対密度は電子相関効果の強力な指標であり、密度汎関数理論と多元参照波動関数理論を組み合わせるために広く用いられている。
現在、$\pi(\mathrm{\mathbf{r}})$ の広範な適用は、正確な評価のためにポストハートリー-フォックまたはマルチリファレンス計算の必要性によって妨げられている。
本研究では,分子の構造と組成からのみ,分子のcasscf品質のオントップ対密度を予測可能な機械学習モデルの構築を提案する。
gdb11-ad-3165データベースでトレーニングされたこのモデルは、最小限のエラーで有機分子のオントップペア密度を予測でき、$\textit{ab initio}$計算の必要性を完全に回避できます。
実空間における電子相関効果と結合破壊の視覚的指標として,オントップ比を用いて回帰の精度を示す。
さらに,単原子中心展開におけるオントップ対密度に適合する特殊な基底集合の構築について報告する。
このレグレッションの基礎であるこの基底は、電子密度の分解能の近似と同じ精神でも、潜在的に使用できる可能性がある。
関連論文リスト
- Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
Equivariant Graph Exchange correlation (EG-XC) は、同変グラフニューラルネットワークに基づく新しい非局所XC関数である。
EG-XCは、半局所関数と同変核中心点雲表現によってパラメータ化された非局所特徴密度を結合する。
MD17では,金標準のCCSD(T)エネルギーを正確に再構成するEG-XCが発見された。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - 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) - 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) - Graph neural networks for fast electron density estimation of molecules,
liquids, and solids [0.0]
a machine learning framework for the prediction of $rho(vecr)$。
このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
論文 参考訳（メタデータ） (2021-12-01T16:57:31Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - $\mathcal{P}$,$\mathcal{T}$-odd effects for RaOH molecule in the excited
vibrational state [77.34726150561087]
三原子分子の RaOH はレーザー冷却性とスペクトルの相反する二重項の利点を組み合わせたものである。
断熱ハミルトニアンから導かれる密結合方程式を用いて, 基底電子状態におけるRaOHの偏波関数と励起振動状態を得る。
論文 参考訳（メタデータ） (2020-12-15T17:08:33Z) - Too big, too small or just right? A benchmark assessment of density
functional theory for predicting the spatial extent of the electron density
of small chemical systems [0.0]
100個の小分子に対して$mathcalK$のプリニカル成分のベンチマークデータセットを開発した。
このデータセットに対して、47の人気度と最近の密度関数の性能を評価した。
論文 参考訳（メタデータ） (2020-11-25T08:00:31Z) - A multiconfigurational study of the negatively charged nitrogen-vacancy
center in diamond [55.58269472099399]
広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。
ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
論文 参考訳（メタデータ） (2020-08-24T01:49:54Z) - 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) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳（メタデータ） (2020-03-27T14:35:37Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。