論文の概要: SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities
- arxiv url: http://arxiv.org/abs/2106.02347v1
- Date: Fri, 4 Jun 2021 08:57:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 14:55:58.700630
- Title: SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities
- Title(参考訳): SE(3)等価な分子波動関数と電子密度の予測
- Authors: Oliver T. Unke, Mihail Bogojeski, Michael Gastegger, Mario Geiger,
Tess Smidt, Klaus-Robert M\"uller
- Abstract要約: 本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
- 参考スコア(独自算出の注目度): 4.2572103161049055
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has enabled the prediction of quantum chemical properties
with high accuracy and efficiency, allowing to bypass computationally costly ab
initio calculations. Instead of training on a fixed set of properties, more
recent approaches attempt to learn the electronic wavefunction (or density) as
a central quantity of atomistic systems, from which all other observables can
be derived. This is complicated by the fact that wavefunctions transform
non-trivially under molecular rotations, which makes them a challenging
prediction target. To solve this issue, we introduce general SE(3)-equivariant
operations and building blocks for constructing deep learning architectures for
geometric point cloud data and apply them to reconstruct wavefunctions of
atomistic systems with unprecedented accuracy. Our model reduces prediction
errors by up to two orders of magnitude compared to the previous
state-of-the-art and makes it possible to derive properties such as energies
and forces directly from the wavefunction in an end-to-end manner. We
demonstrate the potential of our approach in a transfer learning application,
where a model trained on low accuracy reference wavefunctions implicitly learns
to correct for electronic many-body interactions from observables computed at a
higher level of theory. Such machine-learned wavefunction surrogates pave the
way towards novel semi-empirical methods, offering resolution at an electronic
level while drastically decreasing computational cost. While we focus on
physics applications in this contribution, the proposed equivariant framework
for deep learning on point clouds is promising also beyond, say, in computer
vision or graphics.
- Abstract(参考訳): 機械学習は、高い精度と効率で量子化学特性の予測を可能にし、計算コストのかかるab initio計算をバイパスした。
固定された性質の組を訓練する代わりに、より最近のアプローチでは、電子波動関数(または密度)を原子論的システムの中心的量として学習し、他の全ての観測可能なものから導出しようとする。
これは波動関数が分子回転の下で非自明に変換されるという事実によって複雑であり、これは挑戦的な予測対象となる。
そこで本研究では,幾何点雲データのための深層学習アーキテクチャを構築するための一般的なse(3)同変演算とビルディングブロックを導入し,前例のない精度で原子系の波動関数を再構成する手法を提案する。
本モデルでは, 従来の最先端技術と比較して最大2桁の予測誤差を低減し, 終末的に波動関数から直接エネルギーや力などの特性を導出できるようにする。
そこでは,低精度参照波動関数で訓練されたモデルが,高レベルの理論で計算された可観測物から電子的多体相互作用の補正を暗黙的に学習する。
このような機械主導の波動関数は、新しい半経験的手法への道を開き、電子レベルで解像度を提供し、計算コストを劇的に削減する。
このコントリビューションにおける物理学の応用にフォーカスする一方で、ポイントクラウドでのディープラーニングのための同種フレームワークの提案は、コンピュータビジョンやグラフィックスなどにおいても有望である。
関連論文リスト
- Ab-initio variational wave functions for the time-dependent
many-electron Schr\"odinger equation [0.0]
フェミオン時間依存波動関数に対する変動的アプローチを導入し,多体相関を捉えることで平均場近似を超越する。
提案手法は、時間発展する量子状態のパラメータ化を伴い、状態の進化の近似を可能にする。
このアプローチは、可溶性調和相互作用モデル、強いレーザー場における二原子分子のダイナミクス、焼成量子ドットの3つの異なるシステムで実証されている。
論文 参考訳(メタデータ) (2024-03-12T09:37:22Z) - Electronic excited states from physically-constrained machine learning [0.0]
本稿では,実効ハミルトニアンの対称性適応MLモデルをトレーニングし,量子力学計算から電子励起を再現する統合モデリング手法を提案する。
結果として得られるモデルは、トレーニングされた分子よりもずっと大きく、より複雑な分子を予測できる。
論文 参考訳(メタデータ) (2023-11-01T20:49:59Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳(メタデータ) (2023-02-03T18:55:08Z) - 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) - Bridging the reality gap in quantum devices with physics-aware machine
learning [0.0]
物質欠陥の予測不可能な分布によって引き起こされる障害は、現実のギャップに対する主要な貢献の1つである。
物理モデル,ディープラーニング,ガウス確率場,ベイズ推論を組み合わせたアプローチを用いて,このギャップを橋渡しする。
このアプローチにより、電子輸送データからナノスケール電子デバイスの障害電位を推定できる。
論文 参考訳(メタデータ) (2021-11-22T15:45:01Z) - Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。
この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
論文 参考訳(メタデータ) (2021-11-04T16:25:33Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳(メタデータ) (2021-07-01T01:02:17Z) - Quantum-tailored machine-learning characterization of a superconducting
qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。
このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。
このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文 参考訳(メタデータ) (2021-06-24T15:58:57Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳(メタデータ) (2020-11-02T19:52:04Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - Wavelet Scattering Networks for Atomistic Systems with Extrapolation of
Material Properties [7.555136209115944]
物質科学における機械学習の夢は、モデルが原子系の基礎となる物理学を学ぶことである。
本研究では、トレーニングセットに含まれていないプロパティに対する$textLi_alphatextSi$ Energy predictorの一般化性をテストする。
論文 参考訳(メタデータ) (2020-06-01T20:36:17Z)
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。