論文の概要: Variational Monte Carlo on a Budget -- Fine-tuning pre-trained Neural
Wavefunctions
- arxiv url: http://arxiv.org/abs/2307.09337v1
- Date: Sat, 15 Jul 2023 09:56:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 14:02:56.532299
- Title: Variational Monte Carlo on a Budget -- Fine-tuning pre-trained Neural
Wavefunctions
- Title（参考訳）: 予算上の変分モンテカルロ-微調整事前学習ニューラルウェーブ関数
- Authors: Michael Scherbela, Leon Gerard, Philipp Grohs
- Abstract要約: 深層学習に基づく変分モンテカルロ(DL-VMC)は、最近、精度の点で従来の手法よりも優れているが、計算コストが大きい。
本稿では,大規模かつ化学的に多様な分子集合上での自己教師付き波動関数最適化を用いたDL-VMCモデルを提案する。
このモデルを最適化せずに新しい分子に適用すると、波動関数や絶対エネルギーが得られ、CCSD(T)-2Zのような確立された手法よりも優れる。
- 参考スコア（独自算出の注目度）: 5.145741425164946
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obtaining accurate solutions to the Schr\"odinger equation is the key
challenge in computational quantum chemistry. Deep-learning-based Variational
Monte Carlo (DL-VMC) has recently outperformed conventional approaches in terms
of accuracy, but only at large computational cost. Whereas in many domains
models are trained once and subsequently applied for inference, accurate DL-VMC
so far requires a full optimization for every new problem instance, consuming
thousands of GPUhs even for small molecules. We instead propose a DL-VMC model
which has been pre-trained using self-supervised wavefunction optimization on a
large and chemically diverse set of molecules. Applying this model to new
molecules without any optimization, yields wavefunctions and absolute energies
that outperform established methods such as CCSD(T)-2Z. To obtain accurate
relative energies, only few fine-tuning steps of this base model are required.
We accomplish this with a fully end-to-end machine-learned model, consisting of
an improved geometry embedding architecture and an existing SE(3)-equivariant
model to represent molecular orbitals. Combining this architecture with
continuous sampling of geometries, we improve zero-shot accuracy by two orders
of magnitude compared to the state of the art. We extensively evaluate the
accuracy, scalability and limitations of our base model on a wide variety of
test systems.
- Abstract（参考訳）: schr\"odinger方程式の正確な解を得ることは、計算量子化学における重要な課題である。
深層学習に基づく変分モンテカルロ(dl-vmc)は,近年,従来の手法よりも精度が優れているが,計算コストは大きい。
多くのドメインモデルが一度にトレーニングされ、その後推論に適用されるが、正確なDL-VMCではすべての新しい問題インスタンスに対して完全な最適化が必要である。
そこで我々は,大規模かつ化学的に多様な分子集合上での自己教師付き波動関数最適化を用いたDL-VMCモデルを提案する。
このモデルを最適化せずに新しい分子に適用すると、波動関数や絶対エネルギーが得られ、CCSD(T)-2Zのような確立された手法よりも優れる。
正確な相対エネルギーを得るためには、このベースモデルの微調整ステップはごくわずかである。
我々は、改良された幾何埋め込みアーキテクチャと分子軌道を表す既存のse(3)-同変モデルからなる完全エンドツーエンドの機械学習モデルを用いてこれを達成した。
このアーキテクチャと連続的なジオメトリのサンプリングを組み合わせることで、ゼロショット精度をアートの状況と比較して2桁向上させる。
我々は,多種多様なテストシステムにおいて,ベースモデルの精度,スケーラビリティ,限界を広範囲に評価する。
関連論文リスト
- EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Implicit Transfer Operator Learning: Multiple Time-Resolution Surrogates
for Molecular Dynamics [8.35780131268962]
シミュレーションプロセスのサロゲートを複数の時間分解能で学習するフレームワークであるImplict Transfer Operator (ITO) Learningを提案する。
また、全原子分子動力学を定量的にモデル化できる粗粒CG-SE3-ITOモデルを提案する。
論文 参考訳（メタデータ） (2023-05-29T12:19:41Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - A data-driven peridynamic continuum model for upscaling molecular
dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。
我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。
このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文 参考訳（メタデータ） (2021-08-04T07:07:47Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Solving the electronic Schr\"odinger equation for multiple nuclear
geometries with weight-sharing deep neural networks [4.1201966507589995]
本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。
この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
論文 参考訳（メタデータ） (2021-05-18T08:23:09Z) - Fast and Robust Cascade Model for Multiple Degradation Single Image
Super-Resolution [2.1574781022415364]
SISR(Single Image Super-Resolution)は、近年注目されている低レベルのコンピュータビジョン問題の一つである。
本稿では、畳み込みニューラルネットワーク(CNN)のカスケードモデルについて、新しい定式化を提案する。
外部知識を用いて各サブモジュールの出力を制限することで,より密結合なCNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-16T18:59:49Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z) - Certified variational quantum algorithms for eigenstate preparation [0.0]
我々は変分アルゴリズムの終了を認証する手段を開発する。
逆場イジングモデル、競合する相互作用を持つ1次元スピンレスフェルミオンのモデル、量子電磁力学のシュウィンガーモデルという3つのモデルに適用することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2020-06-23T18:00:00Z) - Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。
アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。
ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
論文 参考訳（メタデータ） (2020-02-20T10:50:58Z)
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。