論文の概要: Graph neural networks for fast electron density estimation of molecules,
liquids, and solids
- arxiv url: http://arxiv.org/abs/2112.00652v1
- Date: Wed, 1 Dec 2021 16:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 15:27:25.567351
- Title: Graph neural networks for fast electron density estimation of molecules,
liquids, and solids
- Title（参考訳）: 分子、液体、固体の高速電子密度推定のためのグラフニューラルネットワーク
- Authors: Peter Bj{\o}rn J{\o}rgensen and Arghya Bhowmik
- Abstract要約: a machine learning framework for the prediction of $rho(vecr)$。
このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electron density $\rho(\vec{r})$ is the fundamental variable in the
calculation of ground state energy with density functional theory (DFT). Beyond
total energy, features in $\rho(\vec{r})$ distribution and modifications in
$\rho(\vec{r})$ are often used to capture critical physicochemical phenomena in
functional materials and molecules at the electronic scale. Methods providing
access to $\rho(\vec{r})$ of complex disordered systems with little
computational cost can be a game changer in the expedited exploration of
materials phase space towards the inverse design of new materials with better
functionalities. We present a machine learning framework for the prediction of
$\rho(\vec{r})$. The model is based on equivariant graph neural networks and
the electron density is predicted at special query point vertices that are part
of the message passing graph, but only receive messages. The model is tested
across multiple data sets of molecules (QM9), liquid ethylene carbonate
electrolyte (EC) and LixNiyMnzCo(1-y-z)O2 lithium ion battery cathodes (NMC).
For QM9 molecules, the accuracy of the proposed model exceeds typical
variability in $\rho(\vec{r})$ obtained from DFT done with different
exchange-correlation functional and show beyond the state of the art accuracy.
The accuracy is even better for the mixed oxide (NMC) and electrolyte (EC)
datasets. The linear scaling model's capacity to probe thousands of points
simultaneously permits calculation of $\rho(\vec{r})$ for large complex systems
many orders of magnitude faster than DFT allowing screening of disordered
functional materials.
- Abstract（参考訳）: 電子密度$\rho(\vec{r})$は密度汎関数理論(DFT)による基底状態エネルギーの計算の基本的な変数である。
総エネルギーを超えて、$\rho(\vec{r})$の分布と$\rho(\vec{r})$の修正は、電子規模で機能材料や分子における重要な物理化学的現象を捉えるためにしばしば用いられる。
計算コストの少ない複素乱数系の$\rho(\vec{r})$へのアクセスを提供する方法は、より機能的な新しい材料の逆設計に向けた物質相空間の迅速な探索におけるゲームチェンジャーとなる。
本稿では,$\rho(\vec{r})$を予測するための機械学習フレームワークを提案する。
このモデルは同変グラフニューラルネットワークに基づいており、電子密度はメッセージパッシンググラフの一部であるがメッセージのみを受信する特殊なクエリポイント頂点で予測される。
このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
QM9分子の場合、提案モデルの精度は、異なる交換相関関数で達成されたDFTから得られる$\rho(\vec{r})$の典型的な変動性を超え、芸術的精度を超えることを示す。
この精度は、混合酸化物(NMC)と電解質(EC)のデータセットよりも優れている。
何千もの点を同時に探索する線形スケーリングモデルの能力は、大きな複雑系に対して$\rho(\vec{r})$の計算を可能にし、DFTよりも桁違いに高速である。
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) - Ab initio electron-lattice downfolding: potential energy landscapes,
anharmonicity, and molecular dynamics in charge density wave materials [0.0]
計算上の課題は、特に大規模システム、長期スケール、非平衡系、強い相関関係を持つシステムにおいて発生する。
本研究は, 電子面の電子的特性と原子核運動のシミュレーションを促進するために, ダウンフォールディングアプローチが, 電子面の複雑さの低減をいかに促進するかを示す。
論文 参考訳（メタデータ） (2023-03-13T16:41:37Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。
機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。
本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文 参考訳（メタデータ） (2022-07-20T15:29:45Z) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - 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) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - $\mathcal{P}$,$\mathcal{T}$-odd effects for RaOH molecule in the excited
vibrational state [77.34726150561087]
三原子分子の RaOH はレーザー冷却性とスペクトルの相反する二重項の利点を組み合わせたものである。
断熱ハミルトニアンから導かれる密結合方程式を用いて, 基底電子状態におけるRaOHの偏波関数と励起振動状態を得る。
論文 参考訳（メタデータ） (2020-12-15T17:08:33Z) - Too big, too small or just right? A benchmark assessment of density
functional theory for predicting the spatial extent of the electron density
of small chemical systems [0.0]
100個の小分子に対して$mathcalK$のプリニカル成分のベンチマークデータセットを開発した。
このデータセットに対して、47の人気度と最近の密度関数の性能を評価した。
論文 参考訳（メタデータ） (2020-11-25T08:00:31Z) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳（メタデータ） (2020-03-27T14:35:37Z)
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。