論文の概要: Predicting hot electrons free energies from ground-state data
- arxiv url: http://arxiv.org/abs/2205.05591v1
- Date: Wed, 11 May 2022 16:01:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 21:19:14.407731
- Title: Predicting hot electrons free energies from ground-state data
- Title(参考訳): 地中データからのホットエレクトロンフリーエネルギーの予測
- Authors: Chiheb Ben Mahmoud, Federico Grasselli, Michele Ceriotti
- Abstract要約: 任意の電子温度で自由エネルギーの機械学習予測を得る手法を提案する。
提案手法は, ガス巨星と褐色小星のコア条件下での金属液体水素のベンチマークを行う。
- 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: Machine-learning potentials are usually trained on the ground-state,
Born-Oppenheimer energy surface, which depends exclusively on the atomic
positions and not on the simulation temperature. This disregards the effect of
thermally-excited electrons, that is important in metals, and essential to the
description of warm dense matter. An accurate physical description of these
effects requires that the nuclei move on a temperature-dependent electronic
free energy. We propose a method to obtain machine-learning predictions of this
free energy at an arbitrary electron temperature using exclusively training
data from ground-state calculations, avoiding the need to train
temperature-dependent potentials. We benchmark our method on metallic liquid
hydrogen at the conditions of the core of gas giants and brown dwarfs.
- Abstract(参考訳): 機械学習のポテンシャルは通常、原子位置のみに依存し、シミュレーション温度に依存しない、ボルン=オッペンハイマーエネルギー表面で訓練される。
これは金属において重要な熱励起電子の影響を無視し、温かい高密度物質の記述に必須である。
これらの効果の正確な物理的説明には、核が温度依存の電子自由エネルギーに移動する必要がある。
本研究では,任意の電子温度における自由エネルギーの機械学習予測手法を提案する。
本手法は, ガス巨星と褐色小星のコア条件下での金属液体水素のベンチマークを行う。
関連論文リスト
- Physics-informed machine learning techniques for edge plasma turbulence
modelling in computational theory and experiment [0.0]
磁気閉じ込め核融合装置の性能には、エッジプラズマ乱流が不可欠である。
この論文は、核融合プラズマにおける乱流電子密度、電子温度、中性密度の最初の2次元時間依存的な実験的測定を提示する。
論文 参考訳(メタデータ) (2022-05-16T17:46:14Z) - Electronic excited states in deep variational Monte Carlo [0.0]
パウリネットは励起エネルギーの観点から非常に高価な高レベル電子構造法と同等であることを示す。
我々は、低層状態に対して高い精度を一貫して達成する様々な小さな原子や分子に対して、我々の手法を実証する。
論文 参考訳(メタデータ) (2022-03-17T17:33:16Z) - $m^\ast$ of two-dimensional electron gas: a neural canonical
transformation study [11.42424447028021]
熱エントロピーを低温で直接計算することで,電子ガスの有効質量を抽出する方法を開発した。
本計算により, 2次元スピン偏極電子ガスの有効質量の抑制が明らかとなった。
この予測は、2次元の電子ガス実験における検証を要求する。
論文 参考訳(メタデータ) (2022-01-10T04:14:40Z) - Understanding Anharmonic Effects on Hydrogen Desorption Characteristics
of Mg$_n$H$_{2n}$ Nanoclusters by ab initio trained Deep Neural Network [0.0]
水素化マグネシウム(MgH$$)は効率的な水素貯蔵のために広く研究されている。
しかし、そのバルク脱離温度(553K)は実用には高すぎると考えられている。
ドーピングの他に、水素を放出するためのそのような反応エネルギーを減少させる戦略は、MgH$$ベースのナノ粒子(NP)を用いることである。
論文 参考訳(メタデータ) (2021-11-27T18:33:58Z) - Normalizing flows for atomic solids [67.70049117614325]
原子状固体をモデル化するための正規化フローに基づく機械学習手法を提案する。
我々は,単原子水としてモデル化された立方晶および六角形氷のヘルムホルツ自由エネルギー推定と,切り離されたレナード・ジョーンズ系について報告する。
以上の結果から, 結晶形状に制約を加えることなく, 流動の正規化により, 固体の高品質な試料と自由エネルギー推定が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-11-16T18:54:49Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Photon detection probability prediction using one-dimensional generative
neural network [62.997667081978825]
本論文では,OuterProduct-layer を用いて特徴を効率よく生成する一次元生成モデルを提案する。
このモデルは光子輸送シミュレーションをバイパスし、特定の光子検出器によって検出された光子の数をGeant4simulationと同じレベルで予測する。
この生成モデルは、ProtoDUNEやDUNEのような巨大な液体アルゴン検出器の光子検出確率を迅速に予測するために用いられる。
論文 参考訳(メタデータ) (2021-09-11T01:43:12Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - 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) - SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities [4.2572103161049055]
本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
論文 参考訳(メタデータ) (2021-06-04T08:57:46Z) - Pre-Training Transformers as Energy-Based Cloze Models [95.04748595976811]
テキストによる表現学習のためのエネルギーベースクローゼモデルであるElectricを導入する。
electricはマスキングを使用しず、コンテキスト内で発生したトークンに対して完全な分散を出力しない。
ノイズコントラスト推定に基づくアルゴリズムを用いて電気を訓練し、この学習目標が最近提案されたELECTRAプリトレーニング方法と密接に関連しているかを解明する。
論文 参考訳(メタデータ) (2020-12-15T19:17:33Z)
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。