論文の概要: Gold-standard solutions to the Schr\"odinger equation using deep learning: How much physics do we need?

• arxiv url: http://arxiv.org/abs/2205.09438v1
• Date: Thu, 19 May 2022 09:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 14:53:43.853438
• Title: Gold-standard solutions to the Schr\"odinger equation using deep learning: How much physics do we need?
• Title（参考訳）: 深層学習を用いたシュリンガー方程式の金標準解:どのくらいの物理学が必要か?
• Authors: Leon Gerard, Michael Scherbela, Philipp Marquetand, Philipp Grohs
• Abstract要約: 計算コストの8倍のコストで40-70%のエネルギーエラーを実現する新しいディープラーニングアーキテクチャを提案する。 我々は、これまで公表された最も正確な変動基底エネルギーを計算して、新しいベンチマークを確立する。 アーキテクチャに与えられた事前知識の増加は、実際に精度を低下させる可能性がある。
• 参考スコア（独自算出の注目度）: 4.191094796148313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding accurate solutions to the Schr\"odinger equation is the key unsolved challenge of computational chemistry. Given its importance for the development of new chemical compounds, decades of research have been dedicated to this problem, but due to the large dimensionality even the best available methods do not yet reach the desired accuracy. Recently the combination of deep learning with Monte Carlo methods has emerged as a promising way to obtain highly accurate energies and moderate scaling of computational cost. In this paper we significantly contribute towards this goal by introducing a novel deep-learning architecture that achieves 40-70% lower energy error at 8x lower computational cost compared to previous approaches. Using our method we establish a new benchmark by calculating the most accurate variational ground state energies ever published for a number of different atoms and molecules. We systematically break down and measure our improvements, focusing in particular on the effect of increasing physical prior knowledge. We surprisingly find that increasing the prior knowledge given to the architecture can actually decrease accuracy.
• Abstract（参考訳）: Schr\'odinger方程式の正確な解を見つけることは、計算化学の重要な未解決問題である。 新しい化合物の開発において重要なことを考えると、何十年もの研究がこの問題に注がれてきたが、最も有効な方法でさえも望まれる精度に達していない。 近年,モンテカルロ法と深層学習の組み合わせが,高精度なエネルギーと計算コストの適度なスケーリングを実現するための有望な方法として出現している。 本稿では,従来の8倍の計算コストで40～70%のエネルギーエラーを実現する新しいディープラーニングアーキテクチャを導入することで,この目標に大きく貢献する。 提案手法を用いて,多数の異なる原子および分子に対して発行された最も正確な変動基底エネルギーを計算することにより,新しいベンチマークを確立する。 身体的事前知識の増大の影響に特に焦点をあてて、系統的に改善を分解し、測定する。 アーキテクチャに与えられた事前知識の増加は、実際に精度を低下させる可能性がある。

関連論文リスト

• Neural Quantum States and Peaked Molecular Wave Functions: Curse or Blessing? [0.5530212768657544]
  本研究では, 局所エネルギーに対する計算コストの低いサロゲートを計算する手順を置き換えることなく, 自己回帰サンプリングのための新しいアルゴリズムを提案する。 我々の計算は資源を著しく少なくし、以前の計算よりも桁違いのスピードアップを示す。
  論文  参考訳（メタデータ） (2024-08-14T15:49:04Z)
• Predicting Probabilities of Error to Combine Quantization and Early Exiting: QuEE [68.6018458996143]
  本稿では,量子化と早期出口動的ネットワークを組み合わせたより一般的な動的ネットワークQuEEを提案する。 我々のアルゴリズムは、ソフトアーリーエグジットや入力依存圧縮の一形態と見なすことができる。 提案手法の重要な要素は、さらなる計算によって実現可能な潜在的な精度向上の正確な予測である。
  論文  参考訳（メタデータ） (2024-06-20T15:25:13Z)
• Center-Sensitive Kernel Optimization for Efficient On-Device Incremental Learning [88.78080749909665]
  現在のオンデバイストレーニング手法は、破滅的な忘れを考慮せずに、効率的なトレーニングにのみ焦点をあてている。 本稿では,単純だが効果的なエッジフレンドリーなインクリメンタル学習フレームワークを提案する。 本手法は,メモリの削減と近似計算により,平均精度38.08%の高速化を実現する。
  論文  参考訳（メタデータ） (2024-06-13T05:49:29Z)
• Wasserstein Quantum Monte Carlo: A Novel Approach for Solving the Quantum Many-Body Schr\"odinger Equation [56.9919517199927]
  ワーッセルシュタイン量子モンテカルロ (WQMC) はフィッシャー・ラオ計量ではなくワーッセルシュタイン計量によって誘導される勾配流を用いており、テレポートではなく確率質量の輸送に対応する。 我々は、WQMCの力学が分子系の基底状態へのより高速な収束をもたらすことを実証的に実証した。
  論文  参考訳（メタデータ） (2023-07-06T17:54:08Z)
• A Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
  本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。 我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。 これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
  論文  参考訳（メタデータ） (2022-11-24T15:38:55Z)
• Ab-initio quantum chemistry with neural-network wavefunctions [2.3306857544105686]
  分子科学における機械学習の主な応用は、ポテンシャルエネルギー表面や力場を学習することである。 本稿では,ニューラルネットワークアンサッツ関数を用いた量子モンテカルロ法(QMC)に着目し,電子式Schr"odingerの解法を提案する。
  論文  参考訳（メタデータ） (2022-08-26T11:33:31Z)
• Physical Gradients for Deep Learning [101.36788327318669]
  最先端のトレーニング技術は、物理的なプロセスに関わる多くの問題に適していないことが分かりました。 本稿では,高次最適化手法と機械学習手法を組み合わせた新しいハイブリッドトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-30T12:14:31Z)
• Reinforcement learning for optimization of variational quantum circuit architectures [2.624902795082451]
  本稿では,アンスの空間を自律的に探索する強化学習アルゴリズムを提案する。 水素化リチウム(LiH)の基底状態エネルギーを推定する問題に対するアルゴリズムの性能について紹介する。
  論文  参考訳（メタデータ） (2021-03-30T05:46:21Z)
• Benchmarking Quantum Chemistry Computations with Variational, Imaginary Time Evolution, and Krylov Space Solver Algorithms [0.2107969466194361]
  IBM量子コンピュータ上でのアルカリ水素化物分子のハイブリッド量子古典電子構造計算における化学精度に到達する技術の現状 その結果、電子構造計算は、数年前に量子コンピュータ上で開始された単純な分子の化学的正確性によって急速に進歩していることがわかった。
  論文  参考訳（メタデータ） (2021-02-10T15:54:55Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)
• Quantum-optimal-control-inspired ansatz for variational quantum algorithms [105.54048699217668]
  変分量子アルゴリズム (VQA) の中心成分は状態準備回路(英語版)であり、アンザッツ(英語版)または変分形式(英語版)とも呼ばれる。 ここでは、対称性を破るユニタリを組み込んだ「解」を導入することで、このアプローチが必ずしも有利であるとは限らないことを示す。 この研究は、より一般的な対称性を破るアンスの開発に向けた第一歩となり、物理学や化学問題への応用に繋がる。
  論文  参考訳（メタデータ） (2020-08-03T18:00:05Z)

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。