論文の概要: Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions

• arxiv url: http://arxiv.org/abs/2110.05064v1
• Date: Mon, 11 Oct 2021 07:58:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 03:58:37.624947
• Title: Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions
• Title（参考訳）: ニューラルウェーブ関数を持つGNNのペアリングによる非初期ポテンシャルエネルギー表面
• Authors: Nicholas Gao, Stephan G\"unnemann
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.61072980439312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving the Schr\"odinger equation is key to many quantum mechanical properties. However, an analytical solution is only tractable for single-electron systems. Recently, neural networks succeeded at modelling wave functions of many-electron systems. Together with the variational Monte-Carlo (VMC) framework, this led to solutions on par with the best known classical methods. Still, these neural methods require tremendous amounts of computational resources as one has to train a separate model for each molecular geometry. In this work, we combine a Graph Neural Network (GNN) with a neural wave function to simultaneously solve the Schr\"odinger equation for multiple geometries via VMC. This enables us to model continuous subsets of the potential energy surface with a single training pass. Compared to existing state-of-the-art networks, our Potential Energy Surface Network (PESNet) speeds up training for multiple geometries by up to 40 times while matching or surpassing their accuracy. This may open the path to accurate and orders of magnitude cheaper quantum mechanical calculations.
• Abstract（参考訳）: シュリンガー方程式を解くことは、多くの量子力学的性質の鍵となる。 しかし、解析解は単一電子系でしか説明できない。 近年,多電子系の波動関数のモデル化に成功している。 変分的なMonte-Carlo (VMC) フレームワークとともに、最もよく知られた古典的手法に匹敵するソリューションを生み出した。 それでも、これらのニューラルな手法は、分子幾何ごとに別のモデルを訓練する必要があるため、膨大な計算リソースを必要とする。 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による複数ジオメトリのschr\"odinger方程式を同時に解く。 これにより、1つのトレーニングパスでポテンシャルエネルギー面の連続部分集合をモデル化できる。 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上回る。 これは精度と桁違いの低い量子力学計算への道を開く可能性がある。

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$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Pairing-based graph neural network for simulating quantum materials [0.8192907805418583]
  量子多体系をシミュレーションするためのペアリング型グラフニューラルネットワークを開発した。 我々のニューラルネットワークを用いた変分モンテカルロは、多数の電子システムをシミュレートするための正確で柔軟でスケーラブルな手法を同時に提供します。
  論文  参考訳（メタデータ） (2023-11-03T17:12:29Z)
• Towards a Foundation Model for Neural Network Wavefunctions [5.145741425164946]
  本稿では,非相関で計算コストの低いHartree-Fock軌道を相関した高精度ニューラルネットワーク軌道にマッピングするニューラルネットワークアンサッツを提案する。 このアンザッツは本質的に複数の化合物とジオメトリーにわたる単一波動関数を学習することができる。
  論文  参考訳（メタデータ） (2023-03-17T16:03:10Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Sampling-free Inference for Ab-Initio Potential Energy Surface Networks [2.088583843514496]
  多くの測地に対してシュリンガー方程式を同時に解くことにより、トレーニング時間を短縮するために、ポテンシャルエネルギー表面ネットワーク(PESNet)が提案されている。 本稿では,モンテカルロの高コスト統合を回避するために,Ab-initio Networks (PlaNet) フレームワークから潜在的学習を同時にトレーニングすることで,推論の欠点に対処する。 このようにして、これまでニューラルウェーブ関数で観測できなかったような高分解能多次元エネルギー曲面を正確にモデル化することができる。
  論文  参考訳（メタデータ） (2022-05-30T10:00:59Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Solving the electronic Schr\"odinger equation for multiple nuclear geometries with weight-sharing deep neural networks [4.1201966507589995]
  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。
  論文  参考訳（メタデータ） (2021-05-18T08:23:09Z)
• 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。