論文の概要: Deep-Learning Density Functional Theory Hamiltonian for Efficient ab initio Electronic-Structure Calculation

• arxiv url: http://arxiv.org/abs/2104.03786v2
• Date: Thu, 19 May 2022 03:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 12:03:39.736114
• Title: Deep-Learning Density Functional Theory Hamiltonian for Efficient ab initio Electronic-Structure Calculation
• Title（参考訳）: 効率的な電子構造計算のための深層学習密度関数理論ハミルトニアン
• Authors: He Li, Zun Wang, Nianlong Zou, Meng Ye, Runzhang Xu, Xiaoxun Gong, Wenhui Duan, Yong Xu
• Abstract要約: 結晶材料のDFTハミルトニアン(ディープH)を表現するためのディープニューラルネットワーク手法を開発した。 この方法はDFTの精度効率ジレンマに対する解決策を提供し、大規模材料システムを探究する機会を開放する。
• 参考スコア（独自算出の注目度）: 13.271547916205675
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The marriage of density functional theory (DFT) and deep learning methods has the potential to revolutionize modern computational materials science. Here we develop a deep neural network approach to represent DFT Hamiltonian (DeepH) of crystalline materials, aiming to bypass the computationally demanding self-consistent field iterations of DFT and substantially improve the efficiency of ab initio electronic-structure calculations. A general framework is proposed to deal with the large dimensionality and gauge (or rotation) covariance of DFT Hamiltonian matrix by virtue of locality and is realized by the message passing neural network for deep learning. High accuracy, high efficiency and good transferability of the DeepH method are generally demonstrated for various kinds of material systems and physical properties. The method provides a solution to the accuracy-efficiency dilemma of DFT and opens opportunities to explore large-scale material systems, as evidenced by a promising application to study twisted van der Waals materials.
• Abstract（参考訳）: 密度汎関数理論(dft)と深層学習法の融合は、現代の計算材料科学に革命をもたらす可能性がある。 本稿では,結晶材料のdftハミルトニアン(deeph)を表現する深層ニューラルネットワーク手法を開発し,dftの計算要求の自己整合フィールド反復を回避し,ab initio電子構造計算の効率を大幅に向上させる。 局所性を利用してDFTハミルトン行列の大きな次元とゲージ(あるいは回転)共分散を扱うための一般的な枠組みを提案し,深層学習のためのメッセージパッシングニューラルネットワークにより実現した。 DeepH法の高精度, 高効率, 良好な伝達性は, 様々な材料システムや物性に対して一般的に実証されている。 この方法は、DFTの精度効率ジレンマに対する解決策を提供し、ファンデルワールス材料の研究のための有望な応用によって証明されたように、大規模材料システムを探る機会を開く。

関連論文リスト

• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
  コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。 深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-22T15:24:08Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• 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)
• 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)
• A Deep Learning Approach for the solution of Probability Density Evolution of Stochastic Systems [0.0]
  DeepPDEMは物理情報ネットワークの概念を用いて確率密度の進化を解く。 DeepPDEMは構造の一般密度進化方程式(GDEE)を学ぶ。 また、最適化スキームやリアルタイム・アプリカ・オプションの任意の点における解の効率的なサロゲートとしても機能する。
  論文  参考訳（メタデータ） (2022-07-05T09:37:48Z)
• Non-equilibrium molecular geometries in graph neural networks [2.6040244706888998]
  グラフニューラルネットワークは、複雑な構造とプロパティの関係を学ぶための強力なフレームワークになっている。 近年,分子の3次元形状情報と結合構造を併用することにより,幅広い特性のより正確な予測が可能であることが示唆されている。
  論文  参考訳（メタデータ） (2022-03-07T20:20:52Z)
• Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
  ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。 学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。 さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
  論文  参考訳（メタデータ） (2021-06-15T05:30:17Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)
• Accelerating Finite-temperature Kohn-Sham Density Functional Theory with Deep Neural Networks [2.7035666571881856]
  本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。 ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。 本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
  論文  参考訳（メタデータ） (2020-10-10T05:38:03Z)

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。