論文の概要: Active learning of effective Hamiltonian for super-large-scale atomic structures
- arxiv url: http://arxiv.org/abs/2307.08929v3
- Date: Wed, 15 May 2024 03:46:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-16 18:31:50.448819
- Title: Active learning of effective Hamiltonian for super-large-scale atomic structures
- Title（参考訳）: 超大規模原子構造に対する有効ハミルトニアンのアクティブラーニング
- Authors: Xingyue Ma, Hongying Chen, Ri He, Zhanbo Yu, Sergei Prokhorenko, Zheng Wen, Zhicheng Zhong, Jorge Iñiguez, L. Bellaiche, Di Wu, Yurong Yang,
- Abstract要約: 第一原理に基づく実効ハミルトニアンスキームは、大規模構造に対する最も正確なモデリング手法の1つである。
実効ハミルトニアンの一般的な形式を提案し、実効ハミルトニアンをパラメータ化するための能動的機械学習手法を開発する。
この機械学習アプローチは、考慮された複雑な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。
- 参考スコア（独自算出の注目度）: 7.990872447057747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The first-principles-based effective Hamiltonian scheme provides one of the most accurate modeling technique for large-scale structures, especially for ferroelectrics. However, the parameterization of the effective Hamiltonian is complicated and can be difficult for some complex systems such as high-entropy perovskites. Here, we propose a general form of effective Hamiltonian and develop an active machine learning approach to parameterize the effective Hamiltonian based on Bayesian linear regression. The parameterization is employed in molecular dynamics simulations with the prediction of energy, forces, stress and their uncertainties at each step, which decides whether first-principles calculations are executed to retrain the parameters. Structures of BaTiO$_3$, Pb(Zr$_{0.75}$Ti$_{0.25}$)O$_3$ and (Pb,Sr)TiO$_3$ system are taken as examples to show the accuracy of this approach, as compared with conventional parametrization method and experiments. This machine learning approach provides a universal and automatic way to compute the effective Hamiltonian parameters for any considered complex systems with super-large-scale (more than $10^7$ atoms) atomic structures.
- Abstract（参考訳）: 第一原理に基づく実効ハミルトニアンスキームは、特に強誘電体の大規模構造に対する最も正確なモデリング手法の1つである。
しかし、実効ハミルトニアンのパラメータ化は複雑であり、高エントロピーペロブスカイトのような複雑な系では困難である。
本稿では、実効ハミルトニアンの一般化形式を提案し、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アクティブ機械学習手法を開発する。
パラメータ化は、各ステップにおけるエネルギー、力、ストレス、および不確かさの予測を伴う分子動力学シミュレーションで使われ、第一原理計算がパラメータを再訓練するために実行されるかどうかを決定する。
BaTiO$_3$, Pb(Zr$_{0.75}$Ti$_{0.25}$)O$_3$と(Pb,Sr)TiO$_3$系の構造は、従来のパラメトリゼーション法や実験と比較して、このアプローチの正確性を示す例として挙げられる。
この機械学習アプローチは、超大スケール(10^7$原子以上)の原子構造を持つあらゆる考慮された複雑なシステムに対して、効果的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。
関連論文リスト
- Machine learning Hubbard parameters with equivariant neural networks [0.0]
等変ニューラルネットワークに基づく機械学習モデルを提案する。
ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。
本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
論文 参考訳（メタデータ） (2024-06-04T16:21:24Z) - 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) - A Size-Consistent Wave-function Ansatz Built from Statistical Analysis
of Orbital Occupations [0.0]
本稿では,波動関数のパラメータ化に対する新しいアプローチを提案する。
このアプローチの汎用性は、非相関性、弱相関性、強相関性システムに適用することによって検証される。
論文 参考訳（メタデータ） (2023-04-20T17:30:06Z) - Sample-efficient Model-based Reinforcement Learning for Quantum Control [0.2999888908665658]
ノイズの多い時間依存ゲート最適化のためのモデルベース強化学習(RL)手法を提案する。
標準モデルフリーRLに比べて,本手法のサンプル複雑性において,桁違いの優位性を示す。
提案アルゴリズムは,部分的特徴付き1量子ビット系と2量子ビット系の制御に適している。
論文 参考訳（メタデータ） (2023-04-19T15:05:19Z) - 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) - Effective Hamiltonian approach to the exact dynamics of open system by complex discretization approximation for environment [0.0]
本稿では,複素ガウス二次数を用いた複素平面における離散化近似法の正規一般化を提案する。
有効ハミルトニアンは非エルミート的であり、負の虚部を持つ複素エネルギーモードを証明できる。
論文 参考訳（メタデータ） (2023-03-12T05:34:29Z) - 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) - Optimal radial basis for density-based atomic representations [58.720142291102135]
データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。
トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。
この構成が精度と計算効率のよい表現をもたらすことを実証する。
論文 参考訳（メタデータ） (2021-05-18T17:57:08Z) - 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) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z) - 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。