論文の概要: Improving the performance of fermionic neural networks with the Slater exponential Ansatz

• arxiv url: http://arxiv.org/abs/2202.10126v2
• Date: Mon, 14 Aug 2023 13:22:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 23:34:03.056403
• Title: Improving the performance of fermionic neural networks with the Slater exponential Ansatz
• Title（参考訳）: スレーター指数アンザッツを用いたフェルミオン型ニューラルネットワークの性能向上
• Authors: Denis Bokhan, Aleksey S. Boev, Aleksey K. Fedorov, Dmitrii N. Trubnikov
• Abstract要約: 電子-原子核・電子-電子間距離にスレーター指数アンザッツを用いたフェルミオン型ニューラルネットワーク(FermiNets)を用いる手法を提案する。
• 参考スコア（独自算出の注目度）: 0.351124620232225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a technique for the use of fermionic neural networks (FermiNets) with the Slater exponential Ansatz for electron-nuclear and electron-electron distances, which provides faster convergence of target ground-state energies due to a better description of the interparticle interaction in the vicinities of the coalescence points. Analysis of learning curves indicates on the possibility to obtain accurate energies with smaller batch sizes using arguments of the bagging approach. In order to obtain even more accurate results for the ground-state energies, we suggest an extrapolation scheme, which estimates Monte Carlo integrals in the limit of an infinite number of points. Numerical tests for a set of molecules demonstrate a good agreement with the results of original FermiNets (achieved with larger batch sizes than required by our approach) and with results of coupled-cluster singles and doubles with perturbative triples (CCSD(T)) method, calculated in the complete basis set (CBS) limit.
• Abstract（参考訳）: 本研究では,電子核・電子電子間距離に対するスレーター指数アンザッツを用いたフェルミオン型ニューラルネットワーク(FermiNets)の利用法を提案する。 学習曲線の解析は,バッキングアプローチの引数を用いて,より小さなバッチサイズで正確なエネルギーを得る可能性を示唆する。 基底状態エネルギーについてさらに正確な結果を得るために、無限個の点の極限におけるモンテカルロ積分を推定する外挿スキームを提案する。 一組の分子の数値実験は、元のFermiNets(我々のアプローチで要求されるより大きなバッチサイズで達成された)の結果と、完全な基底集合(CBS)極限で計算された摂動三重項法(CCSD(T))法による結合クラスタシングルと二重項の結果とよく一致している。

関連論文リスト

• Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
  我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。 本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。 すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
  論文  参考訳（メタデータ） (2024-06-04T13:42:42Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• The Weakly Bound States in Gaussian Wells: From the Binding Energy of Deuteron to the Electronic Structure of Quantum Dots [0.0]
  この研究は、ガウスの井戸の中で最も低い状態、特に弱束縛状態に焦点を当てることに焦点を当てている。 この分析は、小さな距離と大きな距離の両方で正確な波動関数の振舞いを解明し、数パラメトリックアンザッツの開発を動機付けている。 本研究の結論として,2電子量子ドットの電子構造探索におけるアンザッツの軌道としての性能を評価する。
  論文  参考訳（メタデータ） (2023-11-05T20:48:12Z)
• A Score-Based Model for Learning Neural Wavefunctions [41.82403146569561]
  スコアベースニューラルネットワークを用いて量子多体基底状態の物性を得るための新しいフレームワークを提供する。 我々の新しいフレームワークは明示的な確率分布を必要とせず、ランゲヴィン力学によるサンプリングを行う。
  論文  参考訳（メタデータ） (2023-05-25T23:44:27Z)
• 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)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• Sampling with Mollified Interaction Energy Descent [57.00583139477843]
  モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する 我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-10-24T16:54:18Z)
• A pathway to accurate potential energy curves on NISQ devices [0.483420384410068]
  量子デバイス上で水素分子のポテンシャルエネルギー曲線を計算するための実用的なワークフローを提案する。 提案手法は,数量子ビットしか持たず,基本セットの限界に近い完全な構成相互作用の結果を提供するために外挿方式を用いる。 シミュレーション量子ハードウェアのノイズ特性に制約があるにもかかわらず、現実的な電子相関値の復元が可能であることを示す。
  論文  参考訳（メタデータ） (2022-09-19T11:32:43Z)
• Phases of two-dimensional spinless lattice fermions with first-quantized deep neural-network quantum states [3.427639528860287]
  格子上の強結合フェルミオン系を解析するために, 第一量子化ディープニューラルネットワーク技術を開発した。 我々は、畳み込み残差ブロックを持つディープ残差ネットワークを利用するSlater-Jastrowインスパイアされたアンサッツを使用する。 ニューラルネットワークアンサッツの柔軟性は、小さなシステムにおける正確な対角化結果と比較して高い精度をもたらす。
  論文  参考訳（メタデータ） (2020-07-31T23:43:52Z)
• 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)
• Targeted free energy estimation via learned mappings [66.20146549150475]
  自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。 FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。 目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
  論文  参考訳（メタデータ） (2020-02-12T11:10:00Z)

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。