論文の概要: Generalizing Neural Wave Functions

• arxiv url: http://arxiv.org/abs/2302.04168v1
• Date: Wed, 8 Feb 2023 16:18:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 15:34:31.614231
• Title: Generalizing Neural Wave Functions
• Title（参考訳）: 神経波動関数の一般化
• Authors: Nicholas Gao, Stephan G\"unnemann
• Abstract要約: 本稿では, 神経波関数を異なる分子に適応させるニューラルネットワークを用いた再パラメータ化手法を提案する。 我々は、単一波動関数が異なる原子を結合した分子のシュル「オーディンガー方程式」を解くことができることを初めて証明した。
• 参考スコア（独自算出の注目度）: 2.088583843514496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent neural network-based wave functions have achieved state-of-the-art accuracies in modeling ab-initio ground-state potential energy surface. However, these networks can only solve different spatial arrangements of the same set of atoms. To overcome this limitation, we present Graph-learned Orbital Embeddings (Globe), a neural network-based reparametrization method that can adapt neural wave functions to different molecules. We achieve this by combining a localization method for molecular orbitals with spatial message-passing networks. Further, we propose a locality-driven wave function, the Molecular Oribtal Network (Moon), tailored to solving Schr\"odinger equations of different molecules jointly. In our experiments, we find Moon requiring 8 times fewer steps to converge to similar accuracies as previous methods when trained on different molecules jointly while Globe enabling the transfer from smaller to larger molecules. Further, our analysis shows that Moon converges similarly to recent transformer-based wave functions on larger molecules. In both the computational chemistry and machine learning literature, we are the first to demonstrate that a single wave function can solve the Schr\"odinger equation of molecules with different atoms jointly.
• Abstract（参考訳）: 最近のニューラルネットワークに基づく波動関数は、アブ初期基底ポテンシャルエネルギー表面のモデリングにおいて最先端の精度を達成した。 しかし、これらのネットワークは同じ原子の集合の異なる空間配置しか解決できない。 この制限を克服するために、我々は、異なる分子に神経波関数を適応できるニューラルネットワークに基づく再パラメータ化法であるグラフ学習軌道埋め込み(Globe)を提案する。 分子軌道の局在化法と空間的メッセージパッシングネットワークを組み合わせることでこれを実現できる。 さらに,異なる分子のschr\"odinger方程式を共同で解くために,局所性駆動の波動関数である分子オリブタルネットワーク(moon)を提案する。 我々の実験では、Globeがより小さな分子からより大きな分子への移動を可能にするのに対して、Moonは異なる分子で共同で訓練する際と同様の精度に8倍のステップで収束する必要がありました。 さらに,より大きい分子上の最近のトランスフォーマー系波動関数と同様に,ムーンが収束することを示した。 計算化学と機械学習の両方の文献において、単一の波動関数が異なる原子を結合した分子のシュリンガー方程式を解くことができることを初めて証明する。

関連論文リスト

• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum Computer [50.24983453990065]
  我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。 我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。 興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
  論文  参考訳（メタデータ） (2023-06-14T14:44:12Z)
• A hybrid quantum-classical algorithm for multichannel quantum scattering of atoms and molecules [62.997667081978825]
  原子と分子の衝突に対するシュリンガー方程式を解くためのハイブリッド量子古典アルゴリズムを提案する。 このアルゴリズムはコーン変分原理の$S$-matrixバージョンに基づいており、基本散乱$S$-matrixを計算する。 大規模多原子分子の衝突をシミュレートするために,アルゴリズムをどのようにスケールアップするかを示す。
  論文  参考訳（メタデータ） (2023-04-12T18:10:47Z)
• 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)
• First principles physics-informed neural network for quantum wavefunctions and eigenvalue surfaces [0.0]
  本稿では,量子系のパラメータ固有値と固有関数曲面を求めるニューラルネットワークを提案する。 我々は水素分子イオンの解法に本手法を適用した。
  論文  参考訳（メタデータ） (2022-11-08T23:22:42Z)
• Ab-Initio Potential Energy Surfaces by Pairing GNNs with Neural Wave Functions [2.61072980439312]
  本研究では、グラフニューラルネットワーク(GNN)とニューラルウェーブ関数を組み合わせることで、VMCを介して複数の測地に対するシュル「オーディンガー方程式」を同時に解く。 既存の最先端ネットワークと比較して、私たちのポテンシャルエネルギーサーフェスネットワーク(PESNet)は、複数のジオメトリーのトレーニングを最大40倍スピードアップし、その精度をマッチングまたは超過します。
  論文  参考訳（メタデータ） (2021-10-11T07:58:31Z)
• 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)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)
• A deep neural network for molecular wave functions in quasi-atomic minimal basis representation [0.0]
  今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。 5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
  論文  参考訳（メタデータ） (2020-05-11T06:55:36Z)
• Quantum Simulation of 2D Quantum Chemistry in Optical Lattices [59.89454513692418]
  本稿では,光学格子中の低温原子に基づく離散2次元量子化学モデルのアナログシミュレータを提案する。 まず、単一フェルミオン原子を用いて、HとH$+$の離散バージョンのような単純なモデルをシミュレートする方法を分析する。 次に、一つのボゾン原子が2つのフェルミオン間の効果的なクーロン反発を媒介し、2次元の水素分子の類似性をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:00:36Z)

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。