論文の概要: CHGNet: Pretrained universal neural network potential for
charge-informed atomistic modeling
- arxiv url: http://arxiv.org/abs/2302.14231v1
- Date: Tue, 28 Feb 2023 01:30:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 18:33:47.573556
- Title: CHGNet: Pretrained universal neural network potential for
charge-informed atomistic modeling
- Title（参考訳）: CHGNet:電荷インフォームド原子モデルのための訓練済みユニバーサルニューラルネットワークポテンシャル
- Authors: Bowen Deng, Peichen Zhong, KyuJung Jun, Kevin Han, Christopher J.
Bartel, Gerbrand Ceder
- Abstract要約: 新たな機械学習原子間ポテンシャル(MLIP)としてCrystal Hamiltonian Graph Neural Network(CHGNet)を提案する。
CHGNetは、Material Project Trajectoryデータセットのエネルギー、力、応力、磁気モーメントに基づいて事前訓練されている。
従来のMLIPでは観測できない電子自由度を付加したイオン系に関する新たな知見を提供する。
- 参考スコア（独自算出の注目度）: 0.7204137900029131
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The simulation of large-scale systems with complex electron interactions
remains one of the greatest challenges for the atomistic modeling of materials.
Although classical force-fields often fail to describe the coupling between
electronic states and ionic rearrangements, the more accurate
\textit{ab-initio} molecular dynamics suffers from computational complexity
that prevents long-time and large-scale simulations, which are essential to
study many technologically relevant phenomena, such as reactions, ion
migrations, phase transformations, and degradation.
In this work, we present the Crystal Hamiltonian Graph neural Network
(CHGNet) as a novel machine-learning interatomic potential (MLIP), using a
graph-neural-network-based force-field to model a universal potential energy
surface. CHGNet is pretrained on the energies, forces, stresses, and magnetic
moments from the Materials Project Trajectory Dataset, which consists of over
10 years of density functional theory static and relaxation trajectories of
$\sim 1.5$ million inorganic structures. The explicit inclusion of magnetic
moments enables CHGNet to learn and accurately represent the orbital occupancy
of electrons, enhancing its capability to describe both atomic and electronic
degrees of freedom. We demonstrate several applications of CHGNet in
solid-state materials, including charge-informed molecular dynamics in
Li$_x$MnO$_2$, the finite temperature phase diagram for Li$_x$FePO$_4$ and Li
diffusion in garnet conductors. We critically analyze the significance of
including charge information for capturing appropriate chemistry, and we
provide new insights into ionic systems with additional electronic degrees of
freedom that can not be observed by previous MLIPs.
- Abstract（参考訳）: 複雑な電子相互作用を持つ大規模系のシミュレーションは、物質の原子論モデリングにおける最大の課題の1つである。
古典的な力場はしばしば電子状態とイオン再配置の結合を記述するのに失敗するが、より正確な \textit{ab-initio} 分子動力学は、反応、イオン移動、相転移、分解など、多くの技術的に重要な現象を研究するのに欠かせない、長期および大規模シミュレーションを防ぐ計算複雑性に苦しむ。
本稿では,グラフニューラルネットワークに基づく力場を用いて,新しい機械学習原子間ポテンシャル(mlip)としてクリスタルハミルトニアングラフニューラルネットワーク(chgnet)を提案する。
chgnetは、10年以上の密度汎関数理論と、$\sim 1.5$m(150万ドル)の無機構造の緩和軌道からなるmaterials project trackデータセットのエネルギー、力、応力、磁気モーメントに基づいて事前訓練されている。
磁気モーメントの明示的な包含により、chgnetは電子の軌道占有率を学習し正確に表現することができ、原子と電子の自由度を記述する能力を高めることができる。
li$_x$mno$_2$の電荷変換分子動力学、li$_x$fepo$_4$の有限温度相図、ガーネット導体のli拡散など、固体材料におけるchgnetのいくつかの応用例を示す。
適切な化学を捉えるための電荷情報を含むことの重要性を批判的に分析し、以前のmlipでは観測できない電子自由度を付加したイオン系に新たな洞察を与える。
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) - 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) - Ab initio electron-lattice downfolding: potential energy landscapes,
anharmonicity, and molecular dynamics in charge density wave materials [0.0]
計算上の課題は、特に大規模システム、長期スケール、非平衡系、強い相関関係を持つシステムにおいて発生する。
本研究は, 電子面の電子的特性と原子核運動のシミュレーションを促進するために, ダウンフォールディングアプローチが, 電子面の複雑さの低減をいかに促進するかを示す。
論文 参考訳（メタデータ） (2023-03-13T16:41:37Z) - 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) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - 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) - Li$_x$CoO$_2$ phase stability studied by machine learning-enabled scale
bridging between electronic structure, statistical mechanics and phase field
theories [0.0]
Li$_xTM$O$$ (TM=Ni, Co, Mn) は、Liイオン電池の電気化学的サイクリング性能が原子スケールでのLi含有量の関数としての結晶構造と相安定性に強く支配されるカソードである。
ここでは、Li$_x$CoO$$(LCO)をモデルシステムとして、原子スケールでの密度汎関数理論計算と連続スケールでの位相場モデリングを組み合わせたスケールブリッジングフレームワークをベンチマークする。
論文 参考訳（メタデータ） (2021-04-16T19:00:59Z) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳（メタデータ） (2020-11-05T06:48:46Z) - 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) - 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。