論文の概要: Machine Learning 1- and 2-electron reduced density matrices of polymeric molecules

• arxiv url: http://arxiv.org/abs/2208.04976v1
• Date: Tue, 9 Aug 2022 18:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 13:24:04.494662
• Title: Machine Learning 1- and 2-electron reduced density matrices of polymeric molecules
• Title（参考訳）: 高分子分子の1電子及び2電子還元密度行列の機械学習
• Authors: David Pekker, Chungwen Liang, Sankha Pattanayak, Swagatam Mukhopadhyay
• Abstract要約: 我々は、新しい配座と新しい分子の両方に一般化可能な電子構造を予測するための機械学習アプローチの実現可能性を示す。 同時に,2RDM手法の適応を阻害したN表現可能性問題を,直接機械学習による有効密度行列の学習により回避する。
• 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: Encoding the electronic structure of molecules using 2-electron reduced density matrices (2RDMs) as opposed to many-body wave functions has been a decades-long quest as the 2RDM contains sufficient information to compute the exact molecular energy but requires only polynomial storage. We focus on linear polymers with varying conformations and numbers of monomers and show that we can use machine learning to predict both the 1-electron and the 2-electron reduced density matrices. Moreover, by applying the Hamiltonian operator to the predicted reduced density matrices we show that we can recover the molecular energy. Thus, we demonstrate the feasibility of a machine learning approach to predicting electronic structure that is generalizable both to new conformations as well as new molecules. At the same time our work circumvents the N-representability problem that has stymied the adaption of 2RDM methods, by directly machine-learning valid Reduced Density Matrices.
• Abstract（参考訳）: 多体波動関数とは対照的に2電子還元密度行列 (2rdm) を用いて分子の電子構造を符号化することは、分子エネルギーを計算するのに十分な情報を持っているが、多項式保存のみを必要とするため、数十年にわたる探求であった。 本研究では, モノマーの配座や数が異なるリニアポリマーに着目し, 1電子および2電子還元密度行列の両方を機械学習で予測できることを示す。 さらに、予測された還元密度行列にハミルトン作用素を適用することにより、分子エネルギーを回復できることを示す。 そこで我々は,新しい配座と新しい分子の両方に一般化可能な電子構造を予測できる機械学習手法の実現可能性を示した。 同時に,2RDM手法の適応を阻害したN表現可能性問題を,直接機械学習による有効密度行列の学習により回避する。

関連論文リスト

• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Quantum Many-body Theory from a Solution of the $N$-representability Problem [0.0]
  2-RDMの直接制約を生成するために、高次RDMの物理的制約を再表現する方程式を導出する。 我々は、基底状態の電子エネルギーとH$_8$環の性質を計算して説明する。
  論文  参考訳（メタデータ） (2023-04-17T19:19:31Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Reducing the Quantum Many-electron Problem to Two Electrons with Machine Learning [0.0]
  畳み込みニューラルネットワークを用いて「近似ゲミナル占有分布を学習する電子構造のための新しいパラダイム」を導入する。 ニューラルネットワークは$N$-representability条件を学習し,その分布に制約を加えて$N$-Electron系を表現する。
  論文  参考訳（メタデータ） (2022-12-29T16:30:37Z)
• Exact solutions to the quantum many-body problem using the geminal density matrix [0.0]
  2体還元密度行列 (2-RDM) は、4つの粒子の座標依存を減少させる。 このアプローチでは、2-RDMは有効な波動関数に対応することを保証できないため、エラーが発生する。 この手法が原子ハミルトニアンの対角化にどのように使われているかを示し、問題はヘリウム原子の$sim N(N-1)/2$2電子固有状態の解に還元されることを示した。
  論文  参考訳（メタデータ） (2021-12-21T18:04:11Z)
• Relativistic aspects of orbital and magnetic anisotropies in the chemical bonding and structure of lanthanide molecules [60.17174832243075]
  本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。 我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
  論文  参考訳（メタデータ） (2021-07-06T15:34:00Z)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• 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)
• Dual-Cone Variational Calculation of the 2-Electron Reduced Density Matrix [0.0]
  多電子波動関数を持たない2電子還元密度行列(2RDM)の変分計算は、電子クーロン相互作用の対の性質を利用する。 ここでは, 2-RDM法を一般化し, 基底状態エネルギーだけでなく, 2-RDM法も計算する。 本研究では, 水素鎖および窒素固定触媒FeMocoにおける強相関電子のエネルギーと性質の計算に本手法を適用した。
  論文  参考訳（メタデータ） (2021-03-31T15:20:34Z)
• Machine Learning a Molecular Hamiltonian for Predicting Electron Dynamics [1.933681537640272]
  電子密度の行列値時系列から分子ハミルトニアン行列を学習する計算法を開発した。 得られたハミルトニアンは電子密度の進化に利用でき、トレーニングデータを超える1000の時間ステップを伝播しても非常に正確な結果が得られる。
  論文  参考訳（メタデータ） (2020-07-19T23:18:08Z)

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。