論文の概要: eQE 2.0: Subsystem DFT Beyond GGA Functionals

• arxiv url: http://arxiv.org/abs/2103.07556v1
• Date: Fri, 12 Mar 2021 22:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 08:22:54.635290
• Title: eQE 2.0: Subsystem DFT Beyond GGA Functionals
• Title（参考訳）: eQE 2.0: GGA機能を超えたサブシステムDFT
• Authors: Wenhui Mi, Xuecheng Shao, Alessandro Genova, Davide Ceresoli, Michele Pavanello
• Abstract要約: サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。 sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。 eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: By adopting a divide-and-conquer strategy, subsystem-DFT (sDFT) can dramatically reduce the computational cost of large-scale electronic structure calculations. The key ingredients of sDFT are the nonadditive kinetic energy and exchange-correlation functionals which dominate it's accuracy. Even though, semilocal nonadditive functionals find a broad range of applications, their accuracy is somewhat limited especially for those systems where achieving balance between exchange-correlation interactions on one side and nonadditive kinetic energy on the other is crucial. In eQE 2.0, we improve dramatically the accuracy of sDFT simulations by (1) implementing nonlocal nonadditive kinetic energy functionals based on the LMGP family of functionals; (2) adapting Quantum ESPRESSO's implementation of rVV10 and vdW-DF nonlocal exchange-correlation functionals to be employed in sDFT simulations; (3) implementing "deorbitalized" meta GGA functionals (e.g., SCAN-L). We carefully assess the performance of the newly implemented tools on the S22-5 test set. eQE 2.0 delivers excellent interaction energies compared to conventional Kohn-Sham DFT and CCSD(T). The improved performance does not come at a loss of computational efficiency. We show that eQE 2.0 with nonlocal nonadditive functionals retains the same linear scaling behavior achieved in eQE 1.0 with semilocal nonadditive functionals.
• Abstract（参考訳）: 分割・分散戦略を採用することで、サブシステムDFT(sDFT)は大規模電子構造計算の計算コストを劇的に削減することができる。 sDFTの重要な要素は、非付加的な運動エネルギーと、その精度を支配する交換相関関数である。 半局所非加法的汎函数は幅広い応用を見出すことができるが、その精度は特に一方の交換-相関相互作用と他方の非加法的運動エネルギーのバランスが達成されるような系ではある程度制限されている。 eqe 2.0では,(1)lmgpファミリーに基づく非局所非加法的運動エネルギー汎関数の実装,(2)量子エスプレッソによるrvv10およびvdw-df非局所交換相関関数の実装をsdftシミュレーションに適用すること,(3)「脱軌道化」メタgga関数(例えばscan-l)を実装することで,sdftシミュレーションの精度を劇的に向上する。 S22-5テストセットで新たに実装したツールの性能を慎重に評価する。 eQE 2.0 は従来のコーンシャム DFT や CCSD(T) と比較して優れた相互作用エネルギーを提供する。 改善された性能は、計算効率を損なうことはない。 非局所非付加関数を持つeQE 2.0は、半局所非付加関数を持つeQE 1.0で達成されたのと同じ線形スケーリング挙動を保っていることを示す。

関連論文リスト

• AdaLog: Post-Training Quantization for Vision Transformers with Adaptive Logarithm Quantizer [54.713778961605115]
  Vision Transformer (ViT) はコンピュータビジョンコミュニティにおいて最も普及しているバックボーンネットワークの1つである。 本稿では,AdaLog(Adaptive Logarithm AdaLog)量子化器を提案する。
  論文  参考訳（メタデータ） (2024-07-17T18:38:48Z)
• Grad DFT: a software library for machine learning enhanced density functional theory [0.0]
  密度汎関数理論(DFT)は、計算量子化学と材料科学の基盤となっている。 最近の研究は、機械学習がDFTの能力をいかに拡張できるかを探求し始めている。 我々は、完全に差別化可能なJAXベースのDFTライブラリであるGrad DFTを紹介し、高速なプロトタイピングと機械学習による交換相関エネルギー関数の実験を可能にする。
  論文  参考訳（メタデータ） (2023-09-23T00:25:06Z)
• Variational principle to regularize machine-learned density functionals: the non-interacting kinetic-energy functional [0.0]
  本稿では,ディープニューラルネットワークに基づく密度汎関数のトレーニングのための,より効率的な正規化手法を提案する。 この方法は、水素鎖、非相互作用電子、および最初の2周期の原子を含む(効果的に)1次元のシステムで試験される。 原子系では、正則化法の一般化可能性も交換相関関数の訓練によって示される。
  論文  参考訳（メタデータ） (2023-06-30T12:07:26Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• 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)
• HEAT: Hardware-Efficient Automatic Tensor Decomposition for Transformer Compression [69.36555801766762]
  本稿では,分解可能な指数空間を効率的に探索できるハードウェア対応テンソル分解フレームワークHEATを提案する。 ハードウェア対応のBERT変異体は, エネルギー遅延を5.7倍に低減し, 精度が1.1%以下であることを示す。
  論文  参考訳（メタデータ） (2022-11-30T05:31:45Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)
• Density Functional Theory Transformed into a One-electron Reduced Density Matrix Functional Theory for the Capture of Static Correlation [0.0]
  密度汎関数理論(DFT)は強い相関系の電子構造を正確に記述することができない。 DFT は 1-電子還元密度行列 (1-RDM) 関数理論に変換可能であることを示す。 本手法は化学構造とプロセスにおける静的相関の記述において従来のDFTよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-01-11T01:41:53Z)
• GGA-Level Subsystem DFT Achieves Sub-kcal/mol Accuracy Intermolecular Interactions by Mimicking Nonlocal Functionals [0.0]
  本稿では,非局所関数のよい振る舞いを模倣したGGA非付加的運動エネルギー関数を提案する。 この新しい関数は、S22-5とS66のテストセットにおける弱い相互作用のダイマーのKohn-Sham DFTとベンチマークCCSD(T)相互作用エネルギーを再現する。
  論文  参考訳（メタデータ） (2021-03-29T19:56:52Z)
• DFTpy: An efficient and object-oriented platform for orbital-free DFT simulations [55.41644538483948]
  本稿では、Python 3で完全に書かれたOFDFTを実装したオープンソースソフトウェアであるDFTpyを紹介する。 本稿では,1CPUで計算したアルミニウムの100万原子系の電子構造について紹介する。 DFTpyはMITライセンスでリリースされている。
  論文  参考訳（メタデータ） (2020-02-07T19:07:41Z)

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。