論文の概要: KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory
- arxiv url: http://arxiv.org/abs/2305.13316v2
- Date: Tue, 24 Oct 2023 13:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 00:55:21.314432
- Title: KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory
- Title（参考訳）: KineticNet: 軌道自由密度汎関数理論のための伝達可能な運動エネルギー関数の深層学習
- Authors: Roman Remme, Tobias Kaczun, Maximilian Scheurer, Andreas Dreuw, Fred
A. Hamprecht
- Abstract要約: KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。
初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
- 参考スコア（独自算出の注目度）: 13.437597619451568
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Orbital-free density functional theory (OF-DFT) holds the promise to compute
ground state molecular properties at minimal cost. However, it has been held
back by our inability to compute the kinetic energy as a functional of the
electron density only. We here set out to learn the kinetic energy functional
from ground truth provided by the more expensive Kohn-Sham density functional
theory. Such learning is confronted with two key challenges: Giving the model
sufficient expressivity and spatial context while limiting the memory footprint
to afford computations on a GPU; and creating a sufficiently broad distribution
of training data to enable iterative density optimization even when starting
from a poor initial guess. In response, we introduce KineticNet, an equivariant
deep neural network architecture based on point convolutions adapted to the
prediction of quantities on molecular quadrature grids. Important contributions
include convolution filters with sufficient spatial resolution in the vicinity
of the nuclear cusp, an atom-centric sparse but expressive architecture that
relays information across multiple bond lengths; and a new strategy to generate
varied training data by finding ground state densities in the face of
perturbations by a random external potential. KineticNet achieves, for the
first time, chemical accuracy of the learned functionals across input densities
and geometries of tiny molecules. For two electron systems, we additionally
demonstrate OF-DFT density optimization with chemical accuracy.
- Abstract（参考訳）: 軌道自由密度汎関数理論(OF-DFT)は、最小コストで基底状態分子特性を計算することを約束する。
しかし、電子密度のみの関数として運動エネルギーを計算できないため、これは抑制されている。
ここでは、より高価なコーン・シャム密度汎関数理論によって提供される基底真理から運動エネルギー汎関数を学習する。
モデルに十分な表現性と空間的コンテキストを付与し、メモリフットプリントをGPU上の計算能力に制限する、トレーニングデータの十分な広範な分布を作成して、初期推定が貧弱な場合でも反復的な密度最適化を可能にする、という2つの課題に直面している。
そこで我々は,分子二次格子上の量予測に適応した点畳み込みに基づく等価なディープニューラルネットワークアーキテクチャであるkineticnetを提案する。
核カスプ近傍で十分な空間分解能を有する畳み込みフィルタ、複数の結合長にわたって情報を伝達する原子中心のスパースだが表現力のあるアーキテクチャ、およびランダムな外部電位による摂動面の基底状態密度を見つけ、様々なトレーニングデータを生成する新しい戦略を含む。
KineticNetは、入力密度と微小分子のジオメトリにわたる学習された機能の化学的精度を初めて達成した。
2つの電子系に対して、化学的精度でOF-DFT密度を最適化する。
関連論文リスト
- NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。
深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-22T15:24:08Z) - 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) - Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。
我々のモデルは様々な化学系の電子密度を再現することに成功した。
論文 参考訳（メタデータ） (2023-11-22T16:42:59Z) - Overcoming the Barrier of Orbital-Free Density Functional Theory for
Molecular Systems Using Deep Learning [46.08497356503155]
軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。
本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
論文 参考訳（メタデータ） (2023-09-28T16:33:36Z) - 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) - 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) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - 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) - Quantum deep field: data-driven wave function, electron density
generation, and atomization energy prediction and extrapolation with machine
learning [7.106986689736826]
ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。
このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
論文 参考訳（メタデータ） (2020-11-16T13:15:16Z) - DeepDFT: Neural Message Passing Network for Accurate Charge Density
Prediction [0.0]
DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。
モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
論文 参考訳（メタデータ） (2020-11-04T16:56:08Z) - Accelerating Finite-temperature Kohn-Sham Density Functional Theory with
Deep Neural Networks [2.7035666571881856]
本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。
ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。
本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
論文 参考訳（メタデータ） (2020-10-10T05:38:03Z)
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。