論文の概要: Machine learning predictions for local electronic properties of disordered correlated electron systems

• arxiv url: http://arxiv.org/abs/2204.05967v1
• Date: Tue, 12 Apr 2022 17:28:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 14:30:25.012353
• Title: Machine learning predictions for local electronic properties of disordered correlated electron systems
• Title（参考訳）: 不規則相関電子系の局所電子特性に対する機械学習予測
• Authors: Yi-Hsuan Liu, Sheng Zhang, Puhan Zhang, Ting-Kuo Lee, Gia-Wei Chern
• Abstract要約: 局所電子特性を予測するため,スケーラブルな機械学習(ML)モデルを提案する。 我々のアプローチは多電子系の局所性原理、すなわち近視性の性質に基づいている。 本研究は,相関電子系のマルチスケールモデリングにおけるML法の可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 2.984639473379942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a scalable machine learning (ML) model to predict local electronic properties such as on-site electron number and double occupation for disordered correlated electron systems. Our approach is based on the locality principle, or the nearsightedness nature, of many-electron systems, which means local electronic properties depend mainly on the immediate environment. A ML model is developed to encode this complex dependence of local quantities on the neighborhood. We demonstrate our approach using the square-lattice Anderson-Hubbard model, which is a paradigmatic system for studying the interplay between Mott transition and Anderson localization. We develop a lattice descriptor based on group-theoretical method to represent the on-site random potentials within a finite region. The resultant feature variables are used as input to a multi-layer fully connected neural network, which is trained from datasets of variational Monte Carlo (VMC) simulations on small systems. We show that the ML predictions agree reasonably well with the VMC data. Our work underscores the promising potential of ML methods for multi-scale modeling of correlated electron systems.
• Abstract（参考訳）: 本稿では,障害電子系に対するオンサイト電子数や二重占有などの局所電子特性を予測するスケーラブル機械学習(ML)モデルを提案する。 本手法は多電子系の局所性原理(近視性性質)に基づいており,即ち局所電子特性は主に直接環境に依存する。 mlモデルは、近傍の局所量の複雑な依存を符号化するために開発された。 我々は,モット遷移とアンダーソン局在の相互作用を研究するパラダイムシステムである正方格子アンダーソン・ハバードモデルを用いて,このアプローチを実証する。 有限領域内のオンサイト確率ポテンシャルを表現するグループ理論的手法に基づく格子記述子を開発した。 結果として得られる特徴変数は、小さなシステム上での変分モンテカルロ(VMC)シミュレーションのデータセットからトレーニングされた多層完全連結ニューラルネットワークへの入力として使用される。 ML予測はVMCデータと合理的に一致していることを示す。 本研究は,相関電子系のマルチスケールモデリングにおけるML法の可能性を明らかにするものである。

関連論文リスト

• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Machine learning force-field models for metallic spin glass [4.090038845129619]
  金属スピングラスの動的シミュレーションのためのスケーラブルな機械学習フレームワークを提案する。 Behler-Parrinello型ニューラルネットワークモデルを開発し、電子誘起局所磁場を高精度かつ効率的に予測する。
  論文  参考訳（メタデータ） (2023-11-28T17:12:03Z)
• Electronic Structure Prediction of Multi-million Atom Systems Through Uncertainty Quantification Enabled Transfer Learning [5.4875371069660925]
  基底状態電子密度 -- コーン・シャム密度汎関数理論(KS-DFT)シミュレーションで得られる -- は、豊富な物質情報を含んでいる。 しかし、KS-DFTの計算コストは、トレーニングデータ生成を妨害する傾向にあるシステムサイズと3倍にスケールする。 ここでは,この基本的課題に,移動学習を用いて学習データのマルチスケールな性質を活用する。
  論文  参考訳（メタデータ） (2023-08-24T21:41:29Z)
• Cheap and Deterministic Inference for Deep State-Space Models of Interacting Dynamical Systems [38.23826389188657]
  本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。 予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。 我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
  論文  参考訳（メタデータ） (2023-05-02T20:30:23Z)
• Combining Machine Learning and Agent-Based Modeling to Study Biomedical Systems [0.0]
  エージェントベースモデリング(エージェントベースモデリング、ABM)は、構成体間の相互作用を通じて複雑なシステムをシミュレートするためのよく確立されたパラダイムである。 機械学習(ML)は、統計アルゴリズムがシステム行動の事前理論を課すことなく、自身のデータから'学習する'アプローチを指す。
  論文  参考訳（メタデータ） (2022-06-02T15:19:09Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Machine learning dynamics of phase separation in correlated electron magnets [0.0]
  両交換系における電子位相分離の大規模動的シミュレーションを機械学習により実現した。 本研究は,機械学習モデルを用いて相関電子系の大規模動的シミュレーションを行う方法である。
  論文  参考訳（メタデータ） (2020-06-07T17:01:06Z)
• 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。