論文の概要: Solving the electronic Schr\"odinger equation for multiple nuclear
geometries with weight-sharing deep neural networks
- arxiv url: http://arxiv.org/abs/2105.08351v1
- Date: Tue, 18 May 2021 08:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 13:49:16.761096
- Title: Solving the electronic Schr\"odinger equation for multiple nuclear
geometries with weight-sharing deep neural networks
- Title（参考訳）: 重み共有ディープニューラルネットワークを用いた多核ジオメトリの電子シュレーディンガー方程式の解法
- Authors: Michael Scherbela, Rafael Reisenhofer, Leon Gerard, Philipp Marquetand
and Philipp Grohs
- Abstract要約: 本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。
この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
- 参考スコア（独自算出の注目度）: 4.1201966507589995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate numerical solutions for the Schr\"odinger equation are of utmost
importance in quantum chemistry. However, the computational cost of current
high-accuracy methods scales poorly with the number of interacting particles.
Combining Monte Carlo methods with unsupervised training of neural networks has
recently been proposed as a promising approach to overcome the curse of
dimensionality in this setting and to obtain accurate wavefunctions for
individual molecules at a moderately scaling computational cost. These methods
currently do not exploit the regularity exhibited by wavefunctions with respect
to their molecular geometries. Inspired by recent successful applications of
deep transfer learning in machine translation and computer vision tasks, we
attempt to leverage this regularity by introducing a weight-sharing constraint
when optimizing neural network-based models for different molecular geometries.
That is, we restrict the optimization process such that up to 95 percent of
weights in a neural network model are in fact equal across varying molecular
geometries. We find that this technique can accelerate optimization when
considering sets of nuclear geometries of the same molecule by an order of
magnitude and that it opens a promising route towards pre-trained neural
network wavefunctions that yield high accuracy even across different molecules.
- Abstract（参考訳）: schr\"odinger方程式の正確な数値解は量子化学において極めて重要である。
しかし、現在の高精度手法の計算コストは相互作用する粒子の数に比例する。
モンテカルロ法と教師なしニューラルネットワークのトレーニングを組み合わせることで、この設定における次元性の呪いを克服し、計算コストを適度にスケーリングして個々の分子の正確な波動関数を得るための有望なアプローチが提案されている。
これらの手法は現在、分子の測度に関して波動関数が示す規則性を利用していない。
近年のDeep Transfer Learningの機械翻訳やコンピュータビジョンタスクへの応用に着想を得て、ニューラルネットワークベースのモデルを異なる分子ジオメトリに最適化する際に、重み付け制約を導入することで、この規則性を活用する。
すなわち、ニューラルネットワークモデルにおける重みの最大95%が、実際には様々な分子ジオメトリにわたって等しいように最適化プロセスを制限する。
この手法は、同じ分子の核ジオメトリの集合を等級で考える場合の最適化を加速し、異なる分子にまたがって高い精度をもたらす事前学習されたニューラルネットワークの波動関数への有望な道を開くことを見出した。
関連論文リスト
- 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) - Towards a Foundation Model for Neural Network Wavefunctions [5.145741425164946]
本稿では,非相関で計算コストの低いHartree-Fock軌道を相関した高精度ニューラルネットワーク軌道にマッピングするニューラルネットワークアンサッツを提案する。
このアンザッツは本質的に複数の化合物とジオメトリーにわたる単一波動関数を学習することができる。
論文 参考訳（メタデータ） (2023-03-17T16:03:10Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - A Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。
我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。
これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
論文 参考訳（メタデータ） (2022-11-24T15:38:55Z) - Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。
リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
論文 参考訳（メタデータ） (2022-11-09T00:18:01Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - 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) - Autoregressive neural-network wavefunctions for ab initio quantum
chemistry [3.5987961950527287]
新しい自己回帰型ニューラルネットワーク(ARN)による電子波動関数のパラメータ化
これにより、最大30個のスピン軌道を持つ分子上で電子構造計算を行うことができる。
論文 参考訳（メタデータ） (2021-09-26T13:44:41Z) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳（メタデータ） (2021-09-15T16:46:46Z) - 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) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳（メタデータ） (2020-06-16T21:56:22Z)
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。