論文の概要: Heat flux for semi-local machine-learning potentials
- arxiv url: http://arxiv.org/abs/2303.14434v2
- Date: Tue, 28 Mar 2023 11:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 11:14:18.787686
- Title: Heat flux for semi-local machine-learning potentials
- Title(参考訳): 半局所機械学習ポテンシャルに対する熱流束
- Authors: Marcel F. Langer, Florian Knoop, Christian Carbogno, Matthias
Scheffler and Matthias Rupp
- Abstract要約: グリーン・クボ法(GK法)は材料中の熱輸送シミュレーションのための厳密な枠組みである。
機械学習のポテンシャルは、第一原理シミュレーションの精度を達成でき、シミュレーション時間と長さのスケールをはるかに越えることができる。
計算効率を損なうことなく, 自動微分による適応型熱流束定式化を導出する。
- 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: The Green-Kubo (GK) method is a rigorous framework for heat transport
simulations in materials. However, it requires an accurate description of the
potential-energy surface and carefully converged statistics. Machine-learning
potentials can achieve the accuracy of first-principles simulations while
allowing to reach well beyond their simulation time and length scales at a
fraction of the cost. In this paper, we explain how to apply the GK approach to
the recent class of message-passing machine-learning potentials, which
iteratively consider semi-local interactions beyond the initial interaction
cutoff. We derive an adapted heat flux formulation that can be implemented
using automatic differentiation without compromising computational efficiency.
The approach is demonstrated and validated by calculating the thermal
conductivity of zirconium dioxide across temperatures.
- Abstract(参考訳): green-kubo (gk) 法は材料の熱輸送シミュレーションのための厳密な枠組みである。
しかし、ポテンシャルエネルギー曲面の正確な記述と注意深く収束した統計が必要である。
機械学習のポテンシャルは、第一原理シミュレーションの精度を達成でき、シミュレーション時間と長さのスケールをほんの少しのコストではるかに超えることができる。
本稿では、GKアプローチを最近のメッセージパス機械学習ポテンシャルのクラスに適用する方法を説明し、これは、初期相互作用遮断以上の半局所的相互作用を反復的に考慮している。
計算効率を損なうことなく、自動微分を用いて実装可能な適応熱流束定式化を導出する。
この手法は, ジルコニウムの熱伝導率を温度で計算することによって実証し, 検証した。
関連論文リスト
- 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) - Stress and heat flux via automatic differentiation [0.0]
機械学習ポテンシャルはボルン・オッペンハイマーポテンシャルエネルギー表面の効率的な近似を提供する。
最近のポテンシャルは高いボディオーダーを特徴とし、メッセージパッシング機構による同変半局所相互作用を含むことができる。
本研究は, 力, 応力, 熱フラックスを得るための統一ADアプローチを示し, モデルに依存しない実装を提供する。
論文 参考訳(メタデータ) (2023-05-02T13:20:35Z) - Critical behavior of Ising model by preparing thermal state on quantum
computer [3.570760625392093]
量子コンピューティング技術を用いて調製した熱状態を利用して,Isingモデルの臨界挙動をシミュレートする。
我々は、長距離相互作用型Isingモデルの比熱と感受性を計算し、Ising臨界度を小さな格子サイズで観測する。
論文 参考訳(メタデータ) (2023-02-28T03:29:19Z) - Accessing the topological Mott insulator in cold atom quantum simulators
with realistic Rydberg dressing [58.720142291102135]
本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。
本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。
さらに、平均場近似における温度に対する相の安定性について検討する。
論文 参考訳(メタデータ) (2022-03-28T14:55:28Z) - Physics-based Learning of Parameterized Thermodynamics from Real-time
Thermography [0.0]
実時間サーモグラフィデータから熱過程のダイナミクスを学習するための物理に基づく新しいアプローチを提案する。
提案手法は雑音に対して頑健であり,パラメータ推定の精度向上に有効であることを示す。
論文 参考訳(メタデータ) (2022-03-24T16:06:31Z) - Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains
at Finite Temperature: Exact Results [68.8204255655161]
奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。
正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
論文 参考訳(メタデータ) (2021-05-11T14:08:02Z) - Thermal Neural Networks: Lumped-Parameter Thermal Modeling With
State-Space Machine Learning [0.0]
電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。
本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。
TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
論文 参考訳(メタデータ) (2021-03-30T13:15:48Z) - Adiabatic Sensing Technique for Optimal Temperature Estimation using
Trapped Ions [64.31011847952006]
捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。
フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。
それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
論文 参考訳(メタデータ) (2020-12-16T12:58:08Z) - A Physics-Informed Machine Learning Approach for Solving Heat Transfer
Equation in Advanced Manufacturing and Engineering Applications [3.04585143845864]
導電性熱伝達偏微分方程式(PDE)を解くために物理インフォームドニューラルネットワークを開発した。
部品をオーブンで加熱する製造や工学の用途で用いられる。
論文 参考訳(メタデータ) (2020-09-28T18:53:00Z) - Simulation of Thermal Relaxation in Spin Chemistry Systems on a Quantum
Computer Using Inherent Qubit Decoherence [53.20999552522241]
我々は,実世界の量子システムの振舞いをシミュレーションする資源として,キュービットデコヒーレンスを活用することを目指している。
熱緩和を行うための3つの方法を提案する。
結果,実験データ,理論的予測との間には,良好な一致が得られた。
論文 参考訳(メタデータ) (2020-01-03T11:48:11Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳(メタデータ) (2019-10-31T02:26:20Z)
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。