論文の概要: On-the-fly machine learning for parametrization of the effective
Hamiltonian
- arxiv url: http://arxiv.org/abs/2307.08929v1
- Date: Tue, 18 Jul 2023 02:28:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 16:52:15.257143
- Title: On-the-fly machine learning for parametrization of the effective
Hamiltonian
- Title(参考訳): 実効ハミルトニアンのパラメトリゼーションのためのオンザフライ機械学習
- Authors: Xingyue Ma, L. Bellaiche, Di Wu, Yurong Yang
- Abstract要約: 第一原理に基づく有効ハミルトニアンは、強誘電体と緩和体強誘電体の特性を予測し、シミュレートするために広く用いられている。
そこで我々は,ベイズ線形回帰に基づく実効ハミルトニアンをパラメータ化するためのオンザフライ機械学習手法を開発した。
- 参考スコア(独自算出の注目度): 2.8199078343161266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The first-principles-based effective Hamiltonian is widely used to predict
and simulate the properties of ferroelectrics and relaxor ferroelectrics.
However, the parametrization method of the effective Hamiltonian is complicated
and hardly can resolve the systems with complex interactions and/or complex
components. Here, we developed an on-the-fly machine learning approach to
parametrize the effective Hamiltonian based on Bayesian linear regression. The
parametrization is completed in molecular dynamics simulations, with the
energy, forces and stress predicted at each step along with their
uncertainties. First-principles calculations are executed when the
uncertainties are large to retrain the parameters. This approach provides a
universal and automatic way to compute the effective Hamiltonian parameters for
any considered systems including complex systems which previous methods can not
handle. BaTiO3 and Pb(Sc,Ta)O3 are taken as examples to show the accurateness
of this approach comparing with conventional first-principles parametrization
method.
- Abstract(参考訳): 第一原理に基づく有効ハミルトニアンは、強誘電体とリラクサー強誘電体の特性を予測およびシミュレートするために広く使われている。
しかし、有効なハミルトニアンのパラメトリゼーション法は複雑であり、複雑な相互作用や複素成分を持つ系をほとんど解決できない。
そこで我々は,ベイズ線形回帰に基づく実効ハミルトニアンをパラメータ化するためのオンザフライ機械学習手法を開発した。
パラメトリゼーションは分子動力学シミュレーションで完了し、各ステップで予測されるエネルギー、力、ストレスは不確実性と共に行われる。
第一原理計算は、不確実性が大きければパラメータを再訓練するときに実行される。
このアプローチは、以前の方法では扱えない複雑なシステムを含むあらゆる考慮されたシステムに対して、効果的なハミルトンパラメータを計算する普遍的で自動的な方法を提供する。
BaTiO3とPb(Sc,Ta)O3は、従来の第一原理パラメトリゼーション法と比較して、このアプローチの正確性を示す例として挙げられる。
関連論文リスト
- Data-freeWeight Compress and Denoise for Large Language Models [101.53420111286952]
パラメータ行列を圧縮する手法として,データフリーなジョイントランクk近似を提案する。
キャリブレーションデータなしで、元の性能の93.43%を維持しながら80%のパラメータのモデルプルーニングを実現する。
論文 参考訳(メタデータ) (2024-02-26T05:51:47Z) - Online Variational Sequential Monte Carlo [56.16884466478886]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Quantum algorithm for linear non-unitary dynamics with near-optimal
dependence on all parameters [5.471398994781521]
一般線型非ユニタリ進化作用素をユニタリ進化作用素の線形結合として表現するアイデンティティの族を導入する。
この定式化は、最近導入されたハミルトニアンシミュレーション(LCHS)法の線形結合の精度を指数関数的に向上させることができる。
論文 参考訳(メタデータ) (2023-12-06T21:30:26Z) - Coarse-Graining Hamiltonian Systems Using WSINDy [0.0]
そこで,WSINDy は大規模内在系の存在下でハミルトン系を小さくすることに成功した。
WSINDy は、ハミルトンベクトル場の試行基底に制限を加えることにより、ハミルトン構造を自然に保存する。
また、ベクトル場のレベルでの1次平均化は、ほぼ周期的なハミルトン系におけるハミルトン構造を保存することを証明して平均化理論に寄与する。
論文 参考訳(メタデータ) (2023-10-09T17:20:04Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Linear combination of Hamiltonian simulation for nonunitary dynamics
with optimal state preparation cost [8.181184006712785]
ハミルトンシミュレーション問題の線形結合として,非単位力学の一般クラスをシミュレーションする簡単な方法を提案する。
また,全てのパラメータにほぼ最適に依存した複素吸収ポテンシャル法によるオープン量子力学シミュレーションの応用を実証した。
論文 参考訳(メタデータ) (2023-03-02T07:37:54Z) - Robust and Efficient Hamiltonian Learning [2.121963121603413]
軽度の仮定に基づいて制限を回避できる頑健で効率的なハミルトン学習法を提案する。
提案手法は,短時間のダイナミクスと局所演算のみを用いて,パウリベースでスパースなハミルトニアンを効率的に学習することができる。
ランダムな相互作用強度と分子ハミルトニアンを持つ横場イジング・ハミルトニアンのスケーリングと推定精度を数値的に検証する。
論文 参考訳(メタデータ) (2022-01-01T13:48:15Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳(メタデータ) (2021-12-10T11:09:29Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳(メタデータ) (2021-09-07T20:01:22Z) - Circuit quantum electrodynamics (cQED) with modular quasi-lumped models [0.23624125155742057]
方法は、量子デバイスをコンパクトなラッピングまたは準分散セルに分割する。
本手法を大規模かつ最先端の超伝導量子プロセッサで実験的に検証する。
論文 参考訳(メタデータ) (2021-03-18T16:03:37Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。