論文の概要: Generalizability of density functionals learned from differentiable
programming on weakly correlated spin-polarized systems
- arxiv url: http://arxiv.org/abs/2110.14846v1
- Date: Thu, 28 Oct 2021 02:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 08:04:18.783044
- Title: Generalizability of density functionals learned from differentiable
programming on weakly correlated spin-polarized systems
- Title(参考訳): 弱相関スピン偏極系上の微分可能プログラミングから得られる密度汎関数の一般化可能性
- Authors: Bhupalee Kalita, Ryan Pederson, Li Li, Kieron Burke
- Abstract要約: Kohn-Sham regularizer (KSR) は物理インフォームド交換相関関数を最適化する機械学習手法である。
我々は、原子系のトレーニングと平衡における分子の試験により、KSRの一般化可能性を評価する。
我々の非局所関数は、テストシステムの基底状態エネルギーを平均絶対誤差2.7ミリ-ハーツリーで予測することで、既存の機械学習機能より優れています。
- 参考スコア(独自算出の注目度): 2.896251429985507
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Kohn-Sham regularizer (KSR) is a machine learning approach that optimizes a
physics-informed exchange-correlation functional within a differentiable
Kohn-Sham density functional theory framework. We evaluate the generalizability
of KSR by training on atomic systems and testing on molecules at equilibrium.
We propose a spin-polarized version of KSR with local, semilocal, and nonlocal
approximations for the exchange-correlation functional. The generalization
error from our semilocal approximation is comparable to other differentiable
approaches. Our nonlocal functional outperforms any existing machine learning
functionals by predicting the ground-state energies of the test systems with a
mean absolute error of 2.7 milli-Hartrees.
- Abstract(参考訳): Kohn-Sham regularizer (KSR) は、微分可能なKohn-Sham密度汎関数理論フレームワーク内で、物理インフォームド交換相関関数を最適化する機械学習手法である。
原子系のトレーニングと平衡分子のテストにより, ksrの一般化性を評価する。
交換相関関数に対する局所的,半局所的,非局所的近似を用いたスピン偏極型KSRを提案する。
半局所近似からの一般化誤差は他の微分可能なアプローチに匹敵する。
我々の非局所関数は、テストシステムの基底状態エネルギーを平均絶対誤差2.7ミリ-ハーツリーで予測することで、既存の機械学習機能より優れている。
関連論文リスト
- Variational principle to regularize machine-learned density functionals:
the non-interacting kinetic-energy functional [0.0]
本稿では,ディープニューラルネットワークに基づく密度汎関数のトレーニングのための,より効率的な正規化手法を提案する。
この方法は、水素鎖、非相互作用電子、および最初の2周期の原子を含む(効果的に)1次元のシステムで試験される。
原子系では、正則化法の一般化可能性も交換相関関数の訓練によって示される。
論文 参考訳(メタデータ) (2023-06-30T12:07:26Z) - Machine learning in and out of equilibrium [58.88325379746631]
我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。
我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。
本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
論文 参考訳(メタデータ) (2023-06-06T09:12:49Z) - Non-Parametric Learning of Stochastic Differential Equations with Non-asymptotic Fast Rates of Convergence [65.63201894457404]
非線形微分方程式のドリフトと拡散係数の同定のための新しい非パラメトリック学習パラダイムを提案する。
鍵となる考え方は、基本的には、対応するフォッカー・プランク方程式のRKHSに基づく近似をそのような観測に適合させることである。
論文 参考訳(メタデータ) (2023-05-24T20:43:47Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳(メタデータ) (2023-03-01T10:38:10Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Electron-Affinity Time-Dependent Density Functional Theory: Formalism
and Applications to Core-Excited States [0.0]
粒子-ホール相互作用問題は時間依存密度汎関数理論の中で長く続いている。
我々は、n-1電子系の最適化軌道を基準として、線形応答形式を導出する。
我々のアプローチは、静的交換近似の正確な一般化であり、TDDFT XASの誤差を桁違いに削減する。
論文 参考訳(メタデータ) (2022-05-17T23:05:15Z) - A Simple and General Debiased Machine Learning Theorem with Finite
Sample Guarantees [4.55274575362193]
我々は、あらゆる機械学習アルゴリズムのグローバルまたはローカル機能を含む、漸近的不偏性機械学習定理を提供する。
この結果は、アナリストが現代の学習理論の速度を従来の統計的推論に翻訳するために使用できる、単純な条件のセットで決定される。
論文 参考訳(メタデータ) (2021-05-31T17:57:02Z) - Machine Learning Universal Bosonic Functionals [0.0]
ボゾン基底状態の汎函数理論は、量子相関を正確に回復する普遍汎函数 $mathcalF[gamma]$ の存在を確立する。
Bose-Hubbardモデルに対しては、我々のアプローチとQuantum Monte Carloとの比較を示す。
論文 参考訳(メタデータ) (2021-04-07T15:53:10Z) - eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。
sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。
eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
論文 参考訳(メタデータ) (2021-03-12T22:26:36Z) - Reducing charge delocalization error of density functional theory [0.0]
電荷非局在化誤差は、非力学的相関の他に、密度汎関数理論において大きな課題となっている。
並列スピンの非動的相関を変化させることで、電荷非局在化誤差を扱うために非動的相関のために設計された関数を拡張した。
本研究は, 解離の全範囲におけるCCSD(T)に最も近いものである。
論文 参考訳(メタデータ) (2021-02-25T16:50:02Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。