論文の概要: Efficient Approximations of Complete Interatomic Potentials for Crystal
Property Prediction
- arxiv url: http://arxiv.org/abs/2306.10045v9
- Date: Tue, 7 Nov 2023 00:01:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 22:32:08.910868
- Title: Efficient Approximations of Complete Interatomic Potentials for Crystal
Property Prediction
- Title(参考訳): 結晶特性予測のための完全原子間ポテンシャルの効率的な近似
- Authors: Yuchao Lin, Keqiang Yan, Youzhi Luo, Yi Liu, Xiaoning Qian, Shuiwang
Ji
- Abstract要約: 結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。
現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。
距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
- 参考スコア(独自算出の注目度): 63.4049850776926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study property prediction for crystal materials. A crystal structure
consists of a minimal unit cell that is repeated infinitely in 3D space. How to
accurately represent such repetitive structures in machine learning models
remains unresolved. Current methods construct graphs by establishing edges only
between nearby nodes, thereby failing to faithfully capture infinite repeating
patterns and distant interatomic interactions. In this work, we propose several
innovations to overcome these limitations. First, we propose to model
physics-principled interatomic potentials directly instead of only using
distances as in many existing methods. These potentials include the Coulomb
potential, London dispersion potential, and Pauli repulsion potential. Second,
we model the complete set of potentials among all atoms, instead of only
between nearby atoms as in existing methods. This is enabled by our
approximations of infinite potential summations, where we extend the Ewald
summation for several potential series approximations with provable error
bounds. Finally, we propose to incorporate our computations of complete
interatomic potentials into message passing neural networks for representation
learning. We perform experiments on the JARVIS and Materials Project benchmarks
for evaluation. Results show that the use of interatomic potentials and
complete interatomic potentials leads to consistent performance improvements
with reasonable computational costs. Our code is publicly available as part of
the AIRS library (https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet).
- Abstract(参考訳): 結晶材料の特性予測について検討する。
結晶構造は、無限に3d空間で繰り返される最小単位セルからなる。
このような繰り返し構造を機械学習モデルで正確に表現する方法はまだ未解決である。
現在の手法では、近傍のノード間でのみエッジを確立し、無限の繰り返しパターンや遠方の原子間相互作用を忠実に捉えることができないグラフを構築する。
本研究では,これらの限界を克服するためのいくつかのイノベーションを提案する。
まず,物理学を基本とした原子間ポテンシャルを直接モデル化することを提案する。
これらのポテンシャルにはクーロンポテンシャル、ロンドン分散ポテンシャル、パウリ反発ポテンシャルが含まれる。
第二に、既存の方法のように近くの原子間だけではなく、すべての原子間の完全なポテンシャルの集合をモデル化する。
これは無限ポテンシャル和の近似によって実現され、証明可能な誤差境界を持ついくつかのポテンシャル級数近似に対するエワルド和を拡張する。
最後に、完全な原子間ポテンシャルの計算をメッセージパッシングニューラルネットワークに組み込んで表現学習を提案する。
評価のためのJARVISおよびMaterial Projectベンチマーク実験を行った。
その結果、原子間ポテンシャルと完全な原子間ポテンシャルを用いることで、合理的な計算コストで一貫した性能向上が期待できる。
私たちのコードはAIRSライブラリ(https://github.com/divelab/AIRS/tree/main/OpenMat/PotNet)の一部として公開されています。
関連論文リスト
- Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳(メタデータ) (2024-02-22T16:33:48Z) - Long-Range Neural Atom Learning for Molecular Graphs [51.51514591597002]
分子内の原子群の集合情報を抽象化する、全ての原原子を数個のニューラル原子に暗黙的に射影する手法を提案する。
具体的には、ニューラル原子間で情報を明示的に交換し、それをエンハンスメントとして原子の表現に投影する。
この機構により、ニューラルネットワークは遠方のノード間の通信チャネルを確立し、任意のノード対の相互作用範囲を1つのホップに効果的に縮小する。
論文 参考訳(メタデータ) (2023-11-02T14:44:50Z) - Annealing for prediction of grand canonical crystal structures:
Efficient implementation of n-body atomic interactions [0.0]
結晶構造予測(CSP)のための近代イジングマシンで使用可能なスキームを提案する。
我々は、一般的なn-体原子間相互作用、特に共有結合をシミュレートするために必要な3-体相互作用を考慮する。
結晶構造は、単位セルを識別し、各格子点に原子の存在または存在しないことを表わすバイナリ変数を配置することによって表される。
論文 参考訳(メタデータ) (2023-07-06T16:49:06Z) - Time-Resolved Rubidium-Assisted Electron Capture by Barium (II) Cation [0.0]
完全3次元原子系をシミュレートする電子力学モデルの最初の開発について述べる。
ルビジウム原子が近傍にあるため,環境支援型電子捕獲による超低温バリウム(II)の再結合について検討した。
シミュレーションは、希薄な原子間距離上での捕獲支援を実現するのに十分な頑健であることがわかった。
論文 参考訳(メタデータ) (2023-06-16T01:55:10Z) - Spherical Channels for Modeling Atomic Interactions [11.44635961607696]
本研究では,原子エネルギーと力のモデル化を目的としたSpherical Channel Network (SCN)を提案する。
SCNは、ノードが原子を表現し、隣の原子をエッジとするグラフニューラルネットワークである。
我々は、多数のタスクとメトリクスのエネルギーと力の予測において、大規模なOpen Catalyst 2020データセットで結果を示す。
論文 参考訳(メタデータ) (2022-06-29T00:03:14Z) - Sampling-free Inference for Ab-Initio Potential Energy Surface Networks [2.088583843514496]
多くの測地に対してシュリンガー方程式を同時に解くことにより、トレーニング時間を短縮するために、ポテンシャルエネルギー表面ネットワーク(PESNet)が提案されている。
本稿では,モンテカルロの高コスト統合を回避するために,Ab-initio Networks (PlaNet) フレームワークから潜在的学習を同時にトレーニングすることで,推論の欠点に対処する。
このようにして、これまでニューラルウェーブ関数で観測できなかったような高分解能多次元エネルギー曲面を正確にモデル化することができる。
論文 参考訳(メタデータ) (2022-05-30T10:00:59Z) - SE(3)-equivariant prediction of molecular wavefunctions and electronic
densities [4.2572103161049055]
本稿では,幾何点クラウドデータのためのディープラーニングアーキテクチャを構築するための汎用SE(3)-同変演算とビルディングブロックを紹介する。
本モデルでは,従来の最先端モデルと比較して,予測誤差を最大2桁まで低減する。
低精度参照波動関数で訓練されたモデルが電子的多体相互作用の正当性を暗黙的に学習するトランスファーラーニングアプリケーションにおいて、我々のアプローチの可能性を実証する。
論文 参考訳(メタデータ) (2021-06-04T08:57:46Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳(メタデータ) (2021-03-02T03:09:06Z) - A multiconfigurational study of the negatively charged nitrogen-vacancy
center in diamond [55.58269472099399]
広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。
ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
論文 参考訳(メタデータ) (2020-08-24T01:49:54Z) - 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)
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。