Fugu-MT 論文翻訳(概要): Deep learning methods for the computation of vibrational wavefunctions

論文の概要: Deep learning methods for the computation of vibrational wavefunctions

arxiv url: http://arxiv.org/abs/2103.00202v2
Date: Fri, 12 Mar 2021 16:18:29 GMT
ステータス: 処理完了
システム内更新日: 2023-04-09 18:32:07.870843
Title: Deep learning methods for the computation of vibrational wavefunctions
Title（参考訳）: 振動波動関数の計算のための深層学習法
Authors: Laia Domingo and Florentino Borondo
Abstract要約: 2つのDeep Learningモデルを用いて分子系の振動を生成する。生成されたニューラルネットワークは解析解を持つハミルトンで訓練される。このアプローチは、異なる分子ポテンシャルの励起振動波動関数を再現することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper we design and use two Deep Learning models to generate the ground and excited wavefunctions of different Hamiltonians suitable for the study the vibrations of molecular systems. The generated neural networks are trained with Hamiltonians that have analytical solutions, and ask the network to generalize these solutions to more complex Hamiltonian functions. This approach allows to reproduce the excited vibrational wavefunctions of different molecular potentials. All methodologies used here are data-driven, therefore they do not assume any information about the underlying physical model of the system. This makes this approach versatile, and can be used in the study of multiple systems in quantum chemistry.
Abstract（参考訳）: 本稿では、2つのDeep Learningモデルを用いて、分子系の振動の研究に適した異なるハミルトンの基底および励起波動関数を設計・利用する。生成されたニューラルネットワークは解析解を持つハミルトニアンで訓練され、より複雑なハミルトニアン関数にこれらの解を一般化するようネットワークに求める。このアプローチは、異なる分子ポテンシャルの励起振動波動関数を再現することができる。ここで使用される方法論はすべてデータ駆動であり、システムの基盤となる物理モデルに関する情報を前提としない。これによりこのアプローチは多用可能となり、量子化学における複数の系の研究に使用できる。

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)
Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文参考訳（メタデータ） (2024-05-23T16:30:51Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Quantum-probabilistic Hamiltonian learning for generative modelling & anomaly detection [0.0]
本研究では,データ解析におけるハミルトニアンシステムの学習と活用の可能性について検討する。我々は、シミュレーションされた大型ハドロン衝突型加速器データの生成モデル作成に量子ハミルトンモデルを用いる。さらに、学習したハミルトニアンを用いて異常検出を行い、異なるサンプル型が異なる動的挙動を形成することを示す。
論文参考訳（メタデータ） (2022-11-07T19:00:02Z)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
Learning Hamiltonians of constrained mechanical systems [0.0]
ハミルトン系は古典力学においてエレガントでコンパクトな形式主義である。拘束された機械系のハミルトン関数の正確な近似に対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-01-31T14:03:17Z)
Machine learning for excitation energy transfer dynamics [0.0]
我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
論文参考訳（メタデータ） (2021-12-22T14:11:30Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions [2.61072980439312]
本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
論文参考訳（メタデータ） (2021-10-11T07:58:31Z)
Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文参考訳（メタデータ） (2020-07-28T14:52:28Z)
Learning models of quantum systems from experiments [0.2740360306052669]
ハミルトニアンモデルは、科学と産業全体での物理的および化学的プロセスの研究と分析を支えている。我々は、教師なし機械学習を用いて実験からハミルトンモデルを取得するためのアプローチを提案し、実証する。
論文参考訳（メタデータ） (2020-02-14T18:37:50Z)

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。