論文の概要: Machine Learning Diffusion Monte Carlo Energy Densities

• arxiv url: http://arxiv.org/abs/2205.04547v1
• Date: Mon, 9 May 2022 20:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 20:57:15.150851
• Title: Machine Learning Diffusion Monte Carlo Energy Densities
• Title（参考訳）: 機械学習拡散モンテカルロエネルギー密度
• Authors: Kevin Ryczko, Jaron T. Krogel, Isaac Tamblyn
• Abstract要約: モンテカルロの拡散エネルギーを小さなデータセットで予測できる2つの機械学習手法を提案する。 第一にボクセルディープニューラルネットワーク(VDNN)を用いて、コーン・シャム密度汎関数理論(DFT)電子密度を入力としてDMCエネルギー密度を予測する。 第二に、カーネルリッジ回帰(KRR)を用いて、原子環境ベクトルを入力として、DMCの全エネルギーに対する原子貢献を予測する。
• 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: We present two machine learning methodologies which are capable of predicting diffusion Monte Carlo (DMC) energies with small datasets ($\approx$60 DMC calculations in total). The first uses voxel deep neural networks (VDNNs) to predict DMC energy densities using Kohn-Sham density functional theory (DFT) electron densities as input. The second uses kernel ridge regression (KRR) to predict atomic contributions to the DMC total energy using atomic environment vectors as input (we used atom centred symmetry functions, atomic environment vectors from the ANI models, and smooth overlap of atomic positions). We first compare the methodologies on pristine graphene lattices, where we find the KRR methodology performs best in comparison to gradient boosted decision trees, random forest, gaussian process regression, and multilayer perceptrons. In addition, KRR outperforms VDNNs by an order of magnitude. Afterwards, we study the generalizability of KRR to predict the energy barrier associated with a Stone-Wales defect. Lastly, we move from 2D to 3D materials and use KRR to predict total energies of liquid water. In all cases, we find that the KRR models are more accurate than Kohn-Sham DFT and all mean absolute errors are less than chemical accuracy.
• Abstract（参考訳）: 本研究では,拡散モンテカルロ(dmc)エネルギーを小さなデータセット(約60 dmc)で予測可能な2つの機械学習手法を提案する。 まず、voxel deep neural networks (vdnns) を用いて、khn-sham密度汎関数理論 (dft) を入力としてdmcエネルギー密度を予測する。 2つ目は、原子中心対称性関数、ANIモデルからの原子環境ベクトル、原子位置の滑らかな重なり)を用いて、DMCの全エネルギーに対する原子寄与を予測するためにカーネルリッジ回帰(KRR)を用いる。 グラフェン格子の手法を最初に比較したところ、KRR法は勾配増進決定木、ランダム森林、ガウス過程回帰、多層パーセプトロンと比較して最適であることがわかった。 さらに、KRRはVDNNよりも桁違いに優れている。 その後,岩盤欠陥に伴うエネルギー障壁を予測するため,KRRの一般化可能性について検討した。 最後に,2次元から3次元へ移動し,KRRを用いて液体水の総エネルギーを予測する。 いずれの場合においても、krrモデルはコーンシャムdftよりも正確であり、全ての絶対誤差は化学的精度よりも低い。

関連論文リスト

• Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
  Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。 両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
  論文  参考訳（メタデータ） (2024-11-16T23:16:59Z)
• Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
  拡散モデルは画像生成とデノナイズのための強力なツールとして登場した。 最近、Liuらは新しい代替生成モデル Rectified Flow (RF) を設計した。 RFは,一連の凸最適化問題を用いて,ノイズからデータへの直流軌跡の学習を目的としている。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• 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)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• 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)
• Spherical Channels for Modeling Atomic Interactions [11.44635961607696]
  本研究では,原子エネルギーと力のモデル化を目的としたSpherical Channel Network (SCN)を提案する。 SCNは、ノードが原子を表現し、隣の原子をエッジとするグラフニューラルネットワークである。 我々は、多数のタスクとメトリクスのエネルギーと力の予測において、大規模なOpen Catalyst 2020データセットで結果を示す。
  論文  参考訳（メタデータ） (2022-06-29T00:03:14Z)
• 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)
• Graph neural networks for fast electron density estimation of molecules, liquids, and solids [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-01T16:57:31Z)
• 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)
• What Are Bayesian Neural Network Posteriors Really Like? [63.950151520585024]
  ハミルトニアンモンテカルロは、標準およびディープアンサンブルよりも大きな性能向上を達成できることを示す。 また,深部分布は標準SGLDとHMCに類似しており,標準変動推論に近いことが示された。
  論文  参考訳（メタデータ） (2021-04-29T15:38:46Z)
• $\mathcal{P}$,$\mathcal{T}$-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)

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。