論文の概要: Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces

• arxiv url: http://arxiv.org/abs/2011.02680v4
• Date: Tue, 1 Dec 2020 18:28:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 12:51:01.321736
• Title: Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces
• Title（参考訳）: 電子構造のマルチタスク学習による分子ポテンシャルエネルギー表面の予測と探索
• Authors: Zhuoran Qiao, Feizhi Ding, Matthew Welborn, Peter J. Bygrave, Daniel G. A. Smith, Animashree Anandkumar, Frederick R. Manby and Thomas F. Miller III
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 39.228041052681526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We refine the OrbNet model to accurately predict energy, forces, and other response properties for molecules using a graph neural-network architecture based on features from low-cost approximated quantum operators in the symmetry-adapted atomic orbital basis. The model is end-to-end differentiable due to the derivation of analytic gradients for all electronic structure terms, and is shown to be transferable across chemical space due to the use of domain-specific features. The learning efficiency is improved by incorporating physically motivated constraints on the electronic structure through multi-task learning. The model outperforms existing methods on energy prediction tasks for the QM9 dataset and for molecular geometry optimizations on conformer datasets, at a computational cost that is thousand-fold or more reduced compared to conventional quantum-chemistry calculations (such as density functional theory) that offer similar accuracy.
• Abstract（参考訳）: 我々は、対称適応原子軌道ベースにおける低コスト近似量子演算子の特徴に基づくグラフニューラルネットワークアーキテクチャを用いて、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ためにOrbNetモデルを洗練する。 このモデルは、すべての電子構造項の解析勾配の導出によりエンドツーエンドで微分可能であり、ドメイン特有の特徴の使用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。 マルチタスク学習により、電子構造に物理的モチベーション制約を組み込むことにより、学習効率を向上させる。 このモデルは、QM9データセットのエネルギー予測タスクやコンホメータデータセットの分子幾何学最適化の既存の手法よりも、同様の精度を持つ従来の量子化学計算(密度汎関数理論など)と比較して1000倍以上の計算コストで優れている。

関連論文リスト

• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Interpolating many-body wave functions for accelerated molecular dynamics on the near-exact electronic surface [0.0]
  我々は原子配置の空間を通して相関多電子状態のスキームを開発する。 我々は、その後のダイナミクスに対して、ほぼ正確なポテンシャルエネルギー表面への証明可能な収束を示す。 分子動力学の軌跡を体系的に解くため、現代の電子構造アプローチと組み合わせる。
  論文  参考訳（メタデータ） (2024-02-16T22:03:37Z)
• Electronic excited states from physically-constrained machine learning [0.0]
  本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。 結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
  論文  参考訳（メタデータ） (2023-11-01T20:49:59Z)
• The Role of Reference Points in Machine-Learned Atomistic Simulation Models [0.0]
  化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。 FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
  論文  参考訳（メタデータ） (2023-10-28T01:02:14Z)
• 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)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)
• 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。