論文の概要: Machine learning based prediction of the electronic structure of
quasi-one-dimensional materials under strain
- arxiv url: http://arxiv.org/abs/2202.00930v3
- Date: Mon, 25 Apr 2022 18:14:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 01:15:10.887129
- Title: Machine learning based prediction of the electronic structure of
quasi-one-dimensional materials under strain
- Title（参考訳）: 機械学習によるひずみ下の準1次元材料の電子構造予測
- Authors: Shashank Pathrudkar, Hsuan Ming Yu, Susanta Ghosh and Amartya S.
Banerjee
- Abstract要約: 準1次元材料の電子構造を予測できる機械学習モデルを提案する。
この技術はナノチューブ、ナノリボン、ナノワイヤ、ナノアセンブリといった重要な材料に適用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a machine learning based model that can predict the electronic
structure of quasi-one-dimensional materials while they are subjected to
deformation modes such as torsion and extension/compression. The technique
described here applies to important classes of materials such as nanotubes,
nanoribbons, nanowires, miscellaneous chiral structures and nano-assemblies,
for all of which, tuning the interplay of mechanical deformations and
electronic fields is an active area of investigation in the literature. Our
model incorporates global structural symmetries and atomic relaxation effects,
benefits from the use of helical coordinates to specify the electronic fields,
and makes use of a specialized data generation process that solves the
symmetry-adapted equations of Kohn-Sham Density Functional Theory in these
coordinates. Using armchair single wall carbon nanotubes as a prototypical
example, we demonstrate the use of the model to predict the fields associated
with the ground state electron density and the nuclear pseudocharges, when
three parameters - namely, the radius of the nanotube, its axial stretch, and
the twist per unit length - are specified as inputs. Other electronic
properties of interest, including the ground state electronic free energy, can
then be evaluated with low-overhead post-processing, typically to chemical
accuracy. We also show how the nuclear coordinates can be reliably determined
from the pseudocharge field using a clustering based technique. Remarkably,
only about 120 data points are found to be enough to predict the three
dimensional electronic fields accurately, which we ascribe to the symmetry in
the problem setup, the use of low-discrepancy sequences for sampling, and
presence of intrinsic low-dimensional features in the electronic fields. We
comment on the interpretability of our machine learning model and discuss its
possible future applications.
- Abstract（参考訳）: 本稿では, ねじれや伸縮・圧縮などの変形モード下で, 準1次元材料の電子構造を予測できる機械学習モデルを提案する。
ここでは, ナノチューブ, ナノリボン, ナノワイヤ, 異種キラル構造, ナノ集合体などの重要な材料に適用し, 機械変形と電子場との相互作用のチューニングは, 文献研究の活発な分野である。
我々のモデルは、大域的な構造対称性と原子緩和効果、電子場を特定するためのヘリカル座標の利点、およびこれらの座標におけるコーン・シャム密度汎関数論の対称性適応方程式を解く特別なデータ生成プロセスを利用する。
アームチェア単層カーボンナノチューブを原型例として用いて, 3つのパラメータ, ナノチューブの半径, 軸伸長, ユニット長あたりのねじれを入力として, 基底状態の電子密度と核擬電荷に関連する磁場を予測するモデルを用いた。
基底状態の電子自由エネルギーを含む他の電子的性質は、通常は化学的精度で低オーバーヘッド後処理によって評価することができる。
また,クラスタリングに基づく手法を用いて,疑似電荷場から核座標を確実に決定できることを示す。
驚くべきことに、問題設定における対称性、サンプリングのための低離散シーケンスの使用、電子分野に固有の低次元特徴の存在を記述した3次元電子場を正確に予測するには、約120のデータポイントだけで十分であることがわかった。
機械学習モデルの解釈可能性についてコメントし、今後の応用について論じる。
関連論文リスト
- Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Electronic Correlations in Multielectron Silicon Quantum Dots [0.3793387630509845]
シリコン金属-酸化物-半導体系量子ドットは、実用的な量子コンピュータを実現するための有望な経路を示す。
ハートリー・フォック理論(Hartree-Fock theory)は、多電子量子ドットの電子構造モデリングのための必須の道具である。
シリコン量子ドットのモデリングにおいて,これらの複雑さを考慮に入れたHartree-Fock法を提案する。
論文 参考訳（メタデータ） (2024-07-05T06:46:38Z) - Nanoscale single-electron box with a floating lead for quantum sensing: modelling and device characterization [0.0]
本研究では,浮動小数点ノードによる単一電子箱(SEB)の詳細な解析を行う。
集積シリコン量子ドット(QD)のための単一電子電荷センシング技術のコンテキストを解析し、特徴付ける。
論文 参考訳（メタデータ） (2024-04-23T13:05:36Z) - Implementation and characterization of the dice lattice in the electron quantum simulator [0.0]
調整可能なパラメータを用いたダイス格子の実験的実現について検討する。
ショックレー状態電子の高モビリティは、人工格子の正確な理論的記述を可能にする。
実験結果から,アハロノフ-ボームケージ機構にともなう高縮退エネルギーは,電子移動性に起因している可能性が示唆された。
論文 参考訳（メタデータ） (2024-03-09T23:27:19Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳（メタデータ） (2023-10-10T14:57:04Z) - 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) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳（メタデータ） (2020-11-05T06:48:46Z) - A multiconfigurational study of the negatively charged nitrogen-vacancy
center in diamond [55.58269472099399]
広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。
ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
論文 参考訳（メタデータ） (2020-08-24T01:49:54Z) - State preparation and measurement in a quantum simulation of the O(3)
sigma model [65.01359242860215]
我々は,非線型O(3)シグマモデルの固定点が,格子サイトあたり2キュービットしか持たないスピンモデルの量子相転移付近で再現可能であることを示す。
本稿では,弱い結合状態と量子臨界状態の両方において,断熱的基底状態の準備が複雑になる結果を得るためにトロッター法を適用した。
非単位ランダム化シミュレーション法に基づく量子アルゴリズムの提案と解析を行う。
論文 参考訳（メタデータ） (2020-06-28T23:44:12Z) - Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。
モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。
その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文 参考訳（メタデータ） (2020-05-27T13:32:10Z)
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。