論文の概要: SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects

• arxiv url: http://arxiv.org/abs/2105.00304v1
• Date: Sat, 1 May 2021 17:06:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:44:32.257385
• Title: SpookyNet: Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects
• Title（参考訳）: spookynet: 電子自由度と非局所効果を持つ学習力場
• Authors: Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Sch\"utt, Huziel E. Sauceda, Klaus-Robert M\"uller
• Abstract要約: 機械学習力場(ML-FF)は、計算化学の分野で人気が高まっている。 この研究では、電子自由度と量子非局所性を明確に扱うML-FFを構築するためのディープニューラルネットワークであるSpookyNetを紹介する。 SpookyNetは、一般的な量子化学データセットにおける現在の最先端(または同様のパフォーマンス)を改善している。
• 参考スコア（独自算出の注目度）: 1.5845117761091052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, machine-learned force fields (ML-FFs) have gained increasing popularity in the field of computational chemistry. Provided they are trained on appropriate reference data, ML-FFs combine the accuracy of ab initio methods with the efficiency of conventional force fields. However, current ML-FFs typically ignore electronic degrees of freedom, such as the total charge or spin, when forming their prediction. In addition, they often assume chemical locality, which can be problematic in cases where nonlocal effects play a significant role. This work introduces SpookyNet, a deep neural network for constructing ML-FFs with explicit treatment of electronic degrees of freedom and quantum nonlocality. Its predictions are further augmented with physically-motivated corrections to improve the description of long-ranged interactions and nuclear repulsion. SpookyNet improves upon the current state-of-the-art (or achieves similar performance) on popular quantum chemistry data sets. Notably, it can leverage the learned chemical insights, e.g. by predicting unknown spin states or by properly modeling physical limits. Moreover, it is able to generalize across chemical and conformational space and thus close an important remaining gap for today's machine learning models in quantum chemistry.
• Abstract（参考訳）: 近年、機械学習力場(ML-FF)は計算化学の分野で人気が高まっている。 ML-FFは、適切な基準データに基づいて訓練された場合、ab initio法の精度と従来の力場の効率を結合する。 しかしながら、現在のML-FFは、予測を形成する際に、総電荷やスピンなどの電子自由度を無視する。 さらに、しばしば化学的局所性を仮定するが、これは非局所効果が重要な役割を果たす場合に問題となる。 この研究は、電子自由度と量子非局所性を明確に扱うML-FFを構築するためのディープニューラルネットワークであるSpookyNetを紹介する。 その予測は、長距離相互作用と核反発の説明を改善するために、身体的なモチベーションによる修正によってさらに強化される。 SpookyNetは、一般的な量子化学データセットの最先端(または同様のパフォーマンス)を改善している。 特に、学習した化学的な洞察を活用できる。 未知のスピン状態を予測するか 物理的限界を適切にモデル化することで さらに、化学とコンフォメーション空間をまたいで一般化することができ、量子化学における今日の機械学習モデルにとって重要なギャップを埋めることができる。

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)
• Quantum Machine Learning With Canonical Variables [0.0]
  荷電粒子上での動的電磁界制御の利用は、状態を直接ではなく観測可能上で動く量子機械学習プラットフォームの基礎となる。 このプラットフォームは、電磁場を制御源として利用するイオントラップや粒子閉じ込め装置で物理的に実現することができる。
  論文  参考訳（メタデータ） (2024-06-10T16:10:42Z)
• Quantum data learning for quantum simulations in high-energy physics [55.41644538483948]
  本研究では,高エネルギー物理における量子データ学習の実践的問題への適用性について検討する。 我々は、量子畳み込みニューラルネットワークに基づくアンサッツを用いて、基底状態の量子位相を認識できることを数値的に示す。 これらのベンチマークで示された非自明な学習特性の観察は、高エネルギー物理学における量子データ学習アーキテクチャのさらなる探求の動機となる。
  論文  参考訳（メタデータ） (2023-06-29T18:00:01Z)
• Transition Role of Entangled Data in Quantum Machine Learning [51.6526011493678]
  エンタングルメントは量子コンピューティングを強化するリソースとして機能する。 最近の進歩は量子力学の学習に対する肯定的な影響を浮き彫りにした。 我々は、絡み合ったデータを用いて量子力学を学習するための量子no-free-lunch(NFL)定理を確立する。
  論文  参考訳（メタデータ） (2023-06-06T08:06:43Z)
• Universality of critical dynamics with finite entanglement [68.8204255655161]
  臨界近傍の量子系の低エネルギー力学が有限絡みによってどのように変化するかを研究する。 その結果、時間依存的臨界現象における絡み合いによる正確な役割が確立された。
  論文  参考訳（メタデータ） (2023-01-23T19:23:54Z)
• Quantum Machine Learning for Chemistry and Physics [2.786820702277084]
  機械学習(ML)とその従兄弟のディープラーニング(DL)は、物理科学、特に化学のあらゆる分野で前例のない発展をもたらした。 このレビューでは、これらのトピックのサブセットを詳述し、古典的および量子コンピューティングの強化された機械学習アルゴリズムによる貢献を、過去数年間にわたって詳述する。
  論文  参考訳（メタデータ） (2021-11-01T11:38:47Z)
• ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
  スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。 提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
  論文  参考訳（メタデータ） (2021-03-02T03:09:06Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Machine Learning Force Fields [54.48599172620472]
  機械学習(ML)は、計算化学の多くの進歩を可能にした。 最も有望な応用の1つは、MLベースの力場(FF)の構築である。 本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
  論文  参考訳（メタデータ） (2020-10-14T13:14:14Z)
• 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)

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。