論文の概要: On the equivalence of molecular graph convolution and molecular wave
function with poor basis set
- arxiv url: http://arxiv.org/abs/2011.07929v1
- Date: Mon, 16 Nov 2020 13:20:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 01:26:10.749526
- Title: On the equivalence of molecular graph convolution and molecular wave
function with poor basis set
- Title（参考訳）: 弱基底集合をもつ分子グラフ畳み込みと分子波関数の等価性について
- Authors: Masashi Tsubaki and Teruyasu Mizoguchi
- Abstract要約: 量子物理学に基づく機械学習モデルである量子深度場(QDF)について述べる。
分子エネルギー予測タスクでは、外挿の可能性を実証し、小さな分子でQDFモデルを訓練し、大きな分子でテストし、高い性能を実現した。
- 参考スコア（独自算出の注目度）: 7.106986689736826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we demonstrate that the linear combination of atomic orbitals
(LCAO), an approximation of quantum physics introduced by Pauling and
Lennard-Jones in the 1920s, corresponds to graph convolutional networks (GCNs)
for molecules. However, GCNs involve unnecessary nonlinearity and deep
architecture. We also verify that molecular GCNs are based on a poor basis
function set compared with the standard one used in theoretical calculations or
quantum chemical simulations. From these observations, we describe the quantum
deep field (QDF), a machine learning (ML) model based on an underlying quantum
physics, in particular the density functional theory (DFT). We believe that the
QDF model can be easily understood because it can be regarded as a single
linear layer GCN. Moreover, it uses two vanilla feedforward neural networks to
learn an energy functional and a Hohenberg--Kohn map that have nonlinearities
inherent in quantum physics and the DFT. For molecular energy prediction tasks,
we demonstrated the viability of an ``extrapolation,'' in which we trained a
QDF model with small molecules, tested it with large molecules, and achieved
high extrapolation performance. This will lead to reliable and practical
applications for discovering effective materials. The implementation is
available at https://github.com/masashitsubaki/QuantumDeepField_molecule.
- Abstract（参考訳）: 本研究では、1920年代にポーリングとレナード・ジョーンズが導入した量子物理学の近似である原子軌道(LCAO)の線形結合が、分子のグラフ畳み込みネットワーク(GCN)に対応することを示した。
しかし、GCNは不要な非線形性と深いアーキテクチャを含む。
また, 分子gcnは, 理論計算や量子化学シミュレーションで用いられる標準関数と比較して, 基底関数が貧弱であることを検証した。
これらの観測から、基礎となる量子物理学、特に密度汎関数理論(DFT)に基づく機械学習(ML)モデルである量子深度場(QDF)について述べる。
単一線形層GCNとみなすことができるため,QDFモデルは容易に理解できると考えている。
さらに、2つのバニラフィードフォワードニューラルネットワークを用いてエネルギー関数と、量子物理学とDFTに固有の非線形性を持つホヘンベルク-コーン写像を学習する。
分子エネルギー予測タスクにおいて,我々は小分子を用いたQDFモデルを訓練し,大きな分子で実験し,高い外挿性能を実現した「外挿」の実現可能性を示した。
これにより、有効な材料を発見するための信頼性と実用性がもたらされる。
実装はhttps://github.com/masashitsubaki/quantumdeepfield_moleculeで利用可能である。
関連論文リスト
- Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Quantum-Enhanced Neural Exchange-Correlation Functionals [0.193482901474023]
コーンシャム密度汎関数論(英語版)(KS-DFT)は、分子の正確な基底状態エネルギーと電子密度を、未知の普遍交換相関(英語版)(XC)関数に基づいて提供する。
近年の研究では、ニューラルネットワークが、その機能に対する近似を表現するために効率的に学習できることが示されており、トレーニングプロセス中に存在しない分子に正確な一般化を提供する。
量子強化機械学習(ML)の最近の進歩により、量子ニューラルネットワーク(QNN)モデルがMLアプリケーションにメリットをもたらす証拠が増えている。
論文 参考訳（メタデータ） (2024-04-22T15:07:57Z) - 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) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Generating Approximate Ground States of Molecules Using Quantum Machine
Learning [2.1286051580524523]
本稿では、生成量子機械学習モデルを用いて、ポテンシャルエネルギー表面上の任意の点における量子状態を作成することを提案する。
我々のアプローチでは、古典的なニューラルネットワークを用いて分子の核座標を変動量子回路の量子パラメータに変換する。
勾配評価は効率的であり,水素鎖,水および水酸化ベリリウムのPES上での波動関数の調製能力を示す。
論文 参考訳（メタデータ） (2022-10-11T14:45:07Z) - 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) - The Hintons in your Neural Network: a Quantum Field Theory View of Deep
Learning [84.33745072274942]
線形および非線形の層をユニタリ量子ゲートとして表現する方法を示し、量子モデルの基本的な励起を粒子として解釈する。
ニューラルネットワークの研究のための新しい視点と技術を開くことに加えて、量子定式化は光量子コンピューティングに適している。
論文 参考訳（メタデータ） (2021-03-08T17:24:29Z) - Quantum deep field: data-driven wave function, electron density
generation, and atomization energy prediction and extrapolation with machine
learning [7.106986689736826]
ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。
このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
論文 参考訳（メタデータ） (2020-11-16T13:15:16Z) - Quantum HF/DFT-Embedding Algorithms for Electronic Structure
Calculations: Scaling up to Complex Molecular Systems [0.0]
本稿では,量子電子構造計算の古典計算環境への埋め込みを提案する。
我々は、選択された活性空間上の不活性電子の作用を記述する平均場を含む実効ハミルトニアンを構築することでこれを達成した。
論文 参考訳（メタデータ） (2020-09-03T18:35:50Z) - A deep neural network for molecular wave functions in quasi-atomic
minimal basis representation [0.0]
今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。
5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
論文 参考訳（メタデータ） (2020-05-11T06:55:36Z) - Quantum Simulation of 2D Quantum Chemistry in Optical Lattices [59.89454513692418]
本稿では,光学格子中の低温原子に基づく離散2次元量子化学モデルのアナログシミュレータを提案する。
まず、単一フェルミオン原子を用いて、HとH$+$の離散バージョンのような単純なモデルをシミュレートする方法を分析する。
次に、一つのボゾン原子が2つのフェルミオン間の効果的なクーロン反発を媒介し、2次元の水素分子の類似性をもたらすことを示す。
論文 参考訳（メタデータ） (2020-02-21T16:00:36Z)
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。