論文の概要: Statistical learning method for predicting density-matrix based electron dynamics

• arxiv url: http://arxiv.org/abs/2108.00318v1
• Date: Sat, 31 Jul 2021 20:22:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 12:33:06.536615
• Title: Statistical learning method for predicting density-matrix based electron dynamics
• Title（参考訳）: 密度行列に基づく電子力学の統計的学習法
• Authors: Prachi Gupta, Harish S. Bhat, Karnamohit Ranka, Christine M. Isborn
• Abstract要約: 電子密度行列の時系列から分子ハミルトン行列を学習する。 時間依存ハートリー・フォック方程式を解くことで、時間内の電子密度を伝播し、フィールドフリーおよびフィールドオンシナリオに対するそのダイナミクスを予測することができる。 トレーニングデータに類似したフィールドオフ軌跡と,トレーニングデータ以外のフィールドオン軌跡の双方について,予測力学と基底真理の密接な定量的一致を観察する。
• 参考スコア（独自算出の注目度）: 2.6763498831034034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a statistical method to learn a molecular Hamiltonian matrix from a time-series of electron density matrices. We extend our previous method to larger molecular systems by incorporating physical properties to reduce dimensionality, while also exploiting regularization techniques like ridge regression for addressing multicollinearity. With the learned Hamiltonian we can solve the Time-Dependent Hartree-Fock (TDHF) equation to propagate the electron density in time, and predict its dynamics for field-free and field-on scenarios. We observe close quantitative agreement between the predicted dynamics and ground truth for both field-off trajectories similar to the training data, and field-on trajectories outside of the training data.
• Abstract（参考訳）: 電子密度行列の時系列から分子ハミルトン行列を学習するための統計的手法を開発した。 従来の手法をより広い分子系に拡張し, 物理特性を組み込んで次元を減少させるとともに, リッジ回帰法のような正則化手法をマルチコリニア性に応用した。 学習したハミルトニアンにより、時間依存ハートリーフォック(TDHF)方程式を解くことで、時間内の電子密度を伝播し、フィールドフリーおよびフィールドオンシナリオのダイナミクスを予測することができる。 トレーニングデータに類似したフィールドオフ軌跡と,トレーニングデータ以外のフィールドオン軌跡の双方について,予測力学と基底真理の密接な定量的一致を観察する。

関連論文リスト

• Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators [0.9208007322096533]
  本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。 この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-07-12T18:29:48Z)
• Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
  ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。 これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。 一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
  論文  参考訳（メタデータ） (2024-03-14T16:52:57Z)
• Dynamical Regimes of Diffusion Models [14.797301819675454]
  空間の次元とデータ数が大きい体制における生成拡散モデルについて検討する。 本研究は, 逆向き発生拡散過程における3つの異なる動的状態を明らかにするものである。 崩壊時間の次元とデータ数への依存性は、拡散モデルにおける次元の呪いの徹底的な評価を与える。
  論文  参考訳（メタデータ） (2024-02-28T17:19:26Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Calculating non-linear response functions for multi-dimensional electronic spectroscopy using dyadic non-Markovian quantum state diffusion [68.8204255655161]
  本稿では,分子集合体の多次元電子スペクトルと電子励起を結合した構造環境下でのシミュレーション手法を提案する。 このアプローチの重要な側面は、NMQSD方程式を2重系ヒルベルト空間で伝播するが、同じ雑音を持つことである。
  論文  参考訳（メタデータ） (2022-07-06T15:30:38Z)
• Learning Effective SDEs from Brownian Dynamics Simulations of Colloidal Particles [0.0]
  我々はDiffusion Maps(多様体学習アルゴリズム)を用いて、有用な潜在可観測物の集合を同定する。 得られた変数と学習力学がブラウン力学シミュレーションの物理を正確にエンコードしていることを示す。 我々の次元の減少/還元モデル同定アプローチは、幅広い種類の粒子系力学実験/モデルに容易に移植できる。
  論文  参考訳（メタデータ） (2022-04-30T14:58:25Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Inference of Stochastic Dynamical Systems from Cross-Sectional Population Data [8.905677748354364]
  生物化学、疫学、金融数学、その他多くの科学分野において、個体群や時間経過データから力学系の駆動方程式を推測することは重要である。 本研究では, 微分方程式に基づいて, 人口の確率密度の進化を記述するフォッカー・プランク方程式を推定し, 計算的に推定する。 そして、USDLアプローチに従って、Fokker-Planck方程式を適切なテスト関数の集合に投影し、方程式の線形系に変換する。
  論文  参考訳（メタデータ） (2020-12-09T14:02:29Z)
• Machine Learning a Molecular Hamiltonian for Predicting Electron Dynamics [1.933681537640272]
  電子密度の行列値時系列から分子ハミルトニアン行列を学習する計算法を開発した。 得られたハミルトニアンは電子密度の進化に利用でき、トレーニングデータを超える1000の時間ステップを伝播しても非常に正確な結果が得られる。
  論文  参考訳（メタデータ） (2020-07-19T23:18:08Z)

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。