論文の概要: Electronic-structure properties from atom-centered predictions of the electron density

• arxiv url: http://arxiv.org/abs/2206.14087v1
• Date: Tue, 28 Jun 2022 15:35:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 14:40:12.332763
• Title: Electronic-structure properties from atom-centered predictions of the electron density
• Title（参考訳）: 電子密度の原子中心予測からの電子構造特性
• Authors: Andrea Grisafi, Alan M. Lewis, Mariana Rossi, Michele Ceriotti
• Abstract要約: 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。
• 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: The electron density of a molecule or material has recently received major attention as a target quantity of machine-learning models. A natural choice to construct a model that yields transferable and linear-scaling predictions is to represent the scalar field using a multi-centered atomic basis analogous to that routinely used in density fitting approximations. However, the non-orthogonality of the basis poses challenges for the learning exercise, as it requires accounting for all the atomic density components at once. We devise a gradient-based approach to directly minimize the loss function of the regression problem in an optimized and highly sparse feature space. In so doing, we overcome the limitations associated with adopting an atom-centered model to learn the electron density over arbitrarily complex datasets, obtaining extremely accurate predictions. The enhanced framework is tested on 32-molecule periodic cells of liquid water, presenting enough complexity to require an optimal balance between accuracy and computational efficiency. We show that starting from the predicted density a single Kohn-Sham diagonalization step can be performed to access total energy components that carry an error of just 0.1 meV/atom with respect to the reference density functional calculations. Finally, we test our method on the highly heterogeneous QM9 benchmark dataset, showing that a small fraction of the training data is enough to derive ground-state total energies within chemical accuracy.
• Abstract（参考訳）: 分子や物質の電子密度は、最近機械学習モデルの対象量として注目されている。 転移性および線形スケーリング予測をもたらすモデルを構築するための自然な選択は、密度適合近似で日常的に使用されるような多中心原子基底を用いてスカラー場を表現することである。 しかしながら、基底の非直交性は、全ての原子密度成分を一度に説明する必要があるため、学習運動に困難をもたらす。 我々は,回帰問題の損失関数を直接最小化するための勾配に基づく手法を,最適化された高度にスパースな特徴空間で考案する。 このようにして、原子中心モデルを用いて任意の複雑なデータセット上で電子密度を学習し、極めて正確な予測を得るという制限を克服する。 強化されたフレームワークは液体水の32分子周期セル上でテストされ、精度と計算効率の最適なバランスを必要とするほど複雑である。 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、基準密度汎関数計算に対して0.1mV/原子の誤差を持つ全エネルギー成分にアクセスできることを示す。 最後に,高度に異種なqm9ベンチマークデータセットを用いて本手法をテストし,化学精度で基礎状態の総エネルギーを導出するのに十分なトレーニングデータの割合を示した。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• KineticNet: Deep learning a transferable kinetic energy functional for orbital-free density functional theory [13.437597619451568]
  KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。 初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
  論文  参考訳（メタデータ） (2023-05-08T17:43:31Z)
• 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)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)
• DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
  DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。 モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
  論文  参考訳（メタデータ） (2020-11-04T16:56:08Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)
• Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles [3.0980025155565376]
  高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。 校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
  論文  参考訳（メタデータ） (2020-03-27T14:35:37Z)

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。