論文の概要: Transferable E(3) equivariant parameterization for Hamiltonian of molecules and solids

• arxiv url: http://arxiv.org/abs/2210.16190v1
• Date: Fri, 28 Oct 2022 14:56:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 17:53:27.590492
• Title: Transferable E(3) equivariant parameterization for Hamiltonian of molecules and solids
• Title（参考訳）: 分子と固体のハミルトニアンに対する転移可能なE(3)同変パラメタライゼーション
• Authors: Yang Zhong, Hongyu Yu, Mao Su, Xingao Gong, Hongjun Xiang
• Abstract要約: 本研究では,分子と固体の半初期強結合ハミルトニアンを予測するために,HamNetと呼ばれるE(3)同変ニューラルネットワークを開発した。 提案フレームワークは、電子構造計算を高速化するための一般的な転送可能なモデルを提供する。
• 参考スコア（独自算出の注目度）: 5.512295869673147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning, especially deep learning, can build a direct mapping from structure to properties with its huge parameter space, making it possible to perform high-throughput screening for the desired properties of materials. However, since the electronic Hamiltonian transforms non-trivially under rotation operations, it is challenging to accurately predict the electronic Hamiltonian while strictly satisfying this constraint. There is currently a lack of transferable machine learning models that can bypass the computationally demanding density functional theory (DFT) to obtain the ab initio Hamiltonian of molecules and materials by complete data-driven methods. In this work, we point out the necessity of explicitly considering the parity symmetry of the electronic Hamiltonian in addition to rotational equivariance. We propose a parameterized Hamiltonian that strictly satisfies rotational equivariance and parity symmetry simultaneously, based on which we develop an E(3) equivariant neural network called HamNet to predict the ab initio tight-binding Hamiltonian of various molecules and solids. The tests show that this model has similar transferability to that of machine learning potentials and can be applied to a class of materials with different configurations using the same set of trained network weights. The proposed framework provides a general transferable model for accelerating electronic structure calculations.
• Abstract（参考訳）: 機械学習、特にディープラーニングは、その巨大なパラメータ空間で構造からプロパティへの直接マッピングを構築することができ、素材の所望の特性を高スループットでスクリーニングすることができる。 しかし、電子ハミルトニアンは回転操作下で非自明に変換するので、この制約を厳密に満たしながら正確に電子ハミルトニアンを予測することは困難である。 現在、コンピュータで要求される密度汎関数理論(DFT)を回避し、完全なデータ駆動方式で分子や物質のアブイニシアチブハミルトニアンを得ることのできる、伝達可能な機械学習モデルが欠如している。 本研究では、電子ハミルトニアンのパリティ対称性を自転同値に加えて明示的に考慮する必要があることを指摘する。 本研究では,HamNetと呼ばれるE(3)同変ニューラルネットワークを開発し,様々な分子および固体のアブイニシオ強結合ハミルトニアンを予測するパラメータ化ハミルトニアンを提案する。 実験の結果、このモデルは機械学習のポテンシャルに類似しており、同じトレーニングされたネットワーク重みのセットを用いて異なる構成の材料群に適用可能であることが示された。 提案手法は,電子構造計算を高速化する汎用伝達モデルを提供する。

関連論文リスト

• Similarity Equivariant Graph Neural Networks for Homogenization of Metamaterials [3.6443770850509423]
  ソフトで多孔質なメカニカルメタマテリアルは、ソフトロボティクス、音の低減、バイオメディシンに重要な応用をもたらすパターン変換を示す。 我々は、代理モデルとして機能するために好意的にスケールする機械学習ベースのアプローチを開発する。 このネットワークは、対称性の少ないグラフニューラルネットワークよりも正確で、データ効率が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-26T12:30:32Z)
• Critical behavior of lattice gauge theory Rydberg simulators from effective Hamiltonians [2.9780372446425627]
  コンパクトアベリア・ヒッグスモデル(CAHM)の1+1次元における量子シミュレータとして提案されているリドベルグ原子の多重脚はしごについて考察する。 数値計算法を用いて、物理シミュレータと基底状態エネルギーとリアルタイム進化の効果的な記述との密接な対応を実証する。
  論文  参考訳（メタデータ） (2023-12-07T17:03:11Z)
• 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)
• 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)
• Machine learning for excitation energy transfer dynamics [0.0]
  我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。 我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。 我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
  論文  参考訳（メタデータ） (2021-12-22T14:11:30Z)
• Variational Adiabatic Gauge Transformation on real quantum hardware for effective low-energy Hamiltonians and accurate diagonalization [68.8204255655161]
  変分アダバティックゲージ変換(VAGT)を導入する。 VAGTは、現在の量子コンピュータを用いてユニタリ回路の変動パラメータを学習できる非摂動型ハイブリッド量子アルゴリズムである。 VAGTの精度は、RigettiおよびIonQ量子コンピュータ上でのシミュレーションと同様に、トラフ数値シミュレーションで検証される。
  論文  参考訳（メタデータ） (2021-11-16T20:50:08Z)
• Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
  本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。 我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
  論文  参考訳（メタデータ） (2021-06-25T17:25:38Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Quantum simulation of electronic structure with a transcorrelated Hamiltonian: improved accuracy with a smaller footprint on the quantum computer [2.640996411999115]
  いくつかの電子相関効果を含む変換ハミルトニアンによる電子構造の量子シミュレーションが示されている。 極端にコンパクトな基底と組み合わされた超コラートなハミルトン多様体は、より大きな基底から得られるエネルギーに匹敵する明らかに相関したエネルギーを生み出す。 非常にコンパクトな超相関ハミルトニアンの使用により、cc-pVTZの品質を達成するのに必要なCNOTゲートの数は最大2桁まで減少し、キュービット数は3倍になる。
  論文  参考訳（メタデータ） (2020-06-03T19:15:32Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Differentiable Molecular Simulations for Control and Learning [0.9208007322096533]
  そこで我々は,ハミルトニアンをパラメータ化してマクロモデルを推論し,制御プロトコルを開発する新しい手法を開発した。 我々は、バルクターゲットオブザーバブルとシミュレーション結果がハミルトニアンに対して解析的に微分できるような、微分可能なシミュレーションを用いて、これをどのように達成できるかを実証する。
  論文  参考訳（メタデータ） (2020-02-27T04:35:19Z)

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。