論文の概要: Descriptors for Machine Learning Model of Generalized Force Field in Condensed Matter Systems

• arxiv url: http://arxiv.org/abs/2201.00798v1
• Date: Mon, 3 Jan 2022 18:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 15:54:21.099500
• Title: Descriptors for Machine Learning Model of Generalized Force Field in Condensed Matter Systems
• Title（参考訳）: 凝縮物質系における一般化力場機械学習モデルの記述子
• Authors: Puhan Zhang, Sheng Zhang, Gia-Wei Chern
• Abstract要約: 凝縮物質系のマルチスケール動的モデリングのための機械学習(ML)手法の一般的な枠組みを概説する。 両スペクトル係数に基づいて不変量を計算するための体系的かつ厳密なアプローチを提供する群論的手法に着目する。
• 参考スコア（独自算出の注目度）: 3.9811842769009034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We outline the general framework of machine learning (ML) methods for multi-scale dynamical modeling of condensed matter systems, and in particular of strongly correlated electron models. Complex spatial temporal behaviors in these systems often arise from the interplay between quasi-particles and the emergent dynamical classical degrees of freedom, such as local lattice distortions, spins, and order-parameters. Central to the proposed framework is the ML energy model that, by successfully emulating the time-consuming electronic structure calculation, can accurately predict a local energy based on the classical field in the intermediate neighborhood. In order to properly include the symmetry of the electron Hamiltonian, a crucial component of the ML energy model is the descriptor that transforms the neighborhood configuration into invariant feature variables, which are input to the learning model. A general theory of the descriptor for the classical fields is formulated, and two types of models are distinguished depending on the presence or absence of an internal symmetry for the classical field. Several specific approaches to the descriptor of the classical fields are presented. Our focus is on the group-theoretical method that offers a systematic and rigorous approach to compute invariants based on the bispectrum coefficients. We propose an efficient implementation of the bispectrum method based on the concept of reference irreducible representations. Finally, the implementations of the various descriptors are demonstrated on well-known electronic lattice models.
• Abstract（参考訳）: 本稿では, 凝縮物系の多スケール力学モデリングのための機械学習(ml)手法の汎用フレームワーク, 特に強相関電子モデルについて概説する。 これらの系における複雑な空間的時間的挙動は、準粒子と局所格子歪み、スピン、秩序パラメータのような創発的な動的古典的自由度との相互作用から生じることが多い。 提案手法の中心となるのがMLエネルギーモデルであり、時間を要する電子構造計算をうまくエミュレートすることで、中間領域の古典場に基づいて局所エネルギーを正確に予測することができる。 電子ハミルトニアンの対称性を適切に含むために、MLエネルギーモデルの重要な構成要素は、近傍の配置を学習モデルに入力される不変な特徴変数に変換する記述子である。 古典体の記述子の一般的な理論が定式化され、2種類のモデルが古典体の内部対称性の有無によって区別される。 古典体の記述子に対するいくつかの具体的なアプローチが提示される。 双スペクトル係数に基づく不変量を計算するための体系的かつ厳密なアプローチを提供する群論的手法に着目した。 本稿では,参照既約表現の概念に基づくbispectrum法の効率的な実装を提案する。 最後に、様々な記述子の実装をよく知られた電子格子モデルで示す。

関連論文リスト

• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Data-Driven Model Selections of Second-Order Particle Dynamics via Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
  我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。 本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
  論文  参考訳（メタデータ） (2023-11-01T23:45:15Z)
• The Role of Reference Points in Machine-Learned Atomistic Simulation Models [0.0]
  化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。 FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
  論文  参考訳（メタデータ） (2023-10-28T01:02:14Z)
• Mean-field dynamics of open quantum systems with collective operator-valued rates: validity and application [0.0]
  我々は、全対全連結ハミルトニアンによって特徴づけられるオープン量子多体リンドブラッド力学のクラスを考える。 無限大系の極限における時間発展について検討し、平均作用素の力学に対する平均場方程式の正確性を示す。 我々の結果は、量子効果がパラダイム的古典モデルに与える影響について厳密で体系的な研究を可能にする。
  論文  参考訳（メタデータ） (2023-02-08T15:58:39Z)
• The Quantum Path Kernel: a Generalized Quantum Neural Tangent Kernel for Deep Quantum Machine Learning [52.77024349608834]
  古典的なディープニューラルネットワークの量子アナログを構築することは、量子コンピューティングにおける根本的な課題である。 鍵となる問題は、古典的なディープラーニングの本質的な非線形性にどのように対処するかである。 我々は、深層機械学習のこれらの側面を複製できる量子機械学習の定式化であるQuantum Path Kernelを紹介する。
  論文  参考訳（メタデータ） (2022-12-22T16:06:24Z)
• An open scattering model in polymerized quantum mechanics [0.0]
  我々は、ブラウン粒子の散乱に対して、重合された開量子力学系の文脈で量子マスター方程式を導出する。 基本作用素の期待値に対する実効方程式に付随するマスター方程式の物理的性質について論じる。
  論文  参考訳（メタデータ） (2022-07-18T16:52:18Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Lorentz Group Equivariant Neural Network for Particle Physics [58.56031187968692]
  ローレンツ群の下での変換に関して完全に同値なニューラルネットワークアーキテクチャを提案する。 素粒子物理学における分類問題に対して、そのような同変構造は、比較的学習可能なパラメータの少ない非常に単純なモデルをもたらすことを実証する。
  論文  参考訳（メタデータ） (2020-06-08T17:54:43Z)
• Bridging entanglement dynamics and chaos in semiclassical systems [0.0]
  本稿では,古典的および量子カオスの量子化器に両部および多部間の絡み合い成長を接続する統一フレームワークを提案する。 半古典的状態において、フォン・ノイマンエンタングルメントエントロピー、スピンスクイーズ、量子フィッシャー情報、および時間外二乗可換子の力学は、近傍の位相空間軌道の分岐によって制御される。
  論文  参考訳（メタデータ） (2020-05-07T18:00:01Z)
• Tensor network models of AdS/qCFT [69.6561021616688]
  準周期共形場理論(qCFT)の概念を導入する。 離散ホログラフィーのパラダイムに属するものとして,qCFTが最適であることを示す。
  論文  参考訳（メタデータ） (2020-04-08T18:00:05Z)

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。