論文の概要: Accelerating Electronic Stopping Power Predictions by 10 Million Times
with a Combination of Time-Dependent Density Functional Theory and Machine
Learning
- arxiv url: http://arxiv.org/abs/2311.00787v1
- Date: Wed, 1 Nov 2023 19:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 15:54:05.449814
- Title: Accelerating Electronic Stopping Power Predictions by 10 Million Times
with a Combination of Time-Dependent Density Functional Theory and Machine
Learning
- Title(参考訳): 時間依存密度汎関数理論と機械学習を組み合わせた1千万倍の電子停止電力予測の高速化
- Authors: Logan Ward, Ben Blaiszik, Cheng-Wei Lee, Troy Martin, Ian Foster,
Andr\'e Schleife
- Abstract要約: 物質中の粒子放射がエネルギーを放出する速度を知ると、停止電力は原子炉、医療、半導体、量子材料を設計する上で鍵となる。
我々は,時間依存密度汎関数理論と機械学習を組み合わせることで,スーパーコンピュータ上での時間のみの新しい材料評価時間を短縮する手法を確立した。
このアプローチでは、TDDFTを使用して電子的な停止コントリビューションを計算し、いくつかの方向で最初の原則からパワーを停止し、マシンラーニングを使用して、1000万倍の速度で他の方向への補間を行います。
- 参考スコア(独自算出の注目度): 1.0942810399486524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowing the rate at which particle radiation releases energy in a material,
the stopping power, is key to designing nuclear reactors, medical treatments,
semiconductor and quantum materials, and many other technologies. While the
nuclear contribution to stopping power, i.e., elastic scattering between atoms,
is well understood in the literature, the route for gathering data on the
electronic contribution has for decades remained costly and reliant on many
simplifying assumptions, including that materials are isotropic. We establish a
method that combines time-dependent density functional theory (TDDFT) and
machine learning to reduce the time to assess new materials to mere hours on a
supercomputer and provides valuable data on how atomic details influence
electronic stopping. Our approach uses TDDFT to compute the electronic stopping
contributions to stopping power from first principles in several directions and
then machine learning to interpolate to other directions at rates 10 million
times higher. We demonstrate the combined approach in a study of proton
irradiation in aluminum and employ it to predict how the depth of maximum
energy deposition, the "Bragg Peak," varies depending on incident angle -- a
quantity otherwise inaccessible to modelers. The lack of any experimental
information requirement makes our method applicable to most materials, and its
speed makes it a prime candidate for enabling quantum-to-continuum models of
radiation damage. The prospect of reusing valuable TDDFT data for training the
model make our approach appealing for applications in the age of materials data
science.
- Abstract(参考訳): 粒子放射線が物質中のエネルギーを放出する速度を知ることは、原子炉、医療、半導体や量子材料、その他多くの技術の設計において鍵となる。
エネルギー停止への核貢献、すなわち原子間の弾性散乱は文献でよく理解されているが、電子貢献に関するデータ収集の道は数十年間にわたって費用がかかり、材料が等方的であるなど、多くの単純化された仮定に依存している。
時間依存密度汎関数理論(tddft)と機械学習を組み合わせることで、スーパーコンピュータ上で新しい材料を評価する時間を短縮し、原子詳細が電子的停止に与える影響に関する貴重なデータを提供する。
当社のアプローチでは、tddftを使用して電子的停止貢献を計算し、最初の原則からいくつかの方向で電力を停止し、マシンラーニングを使用して1000万倍の速度で他の方向を補間します。
アルミニウムにおける陽子照射の研究において、この組み合わせによるアプローチを実証し、最大エネルギー沈着の深さである「ブラッグピーク」が、どう変化するかを予測する。
実験的な情報要求の欠如は,ほとんどの材料に適用可能であり,その速度は,放射線損傷の量子-連続モデルを可能にする最重要候補となる。
モデルトレーニングに価値あるtddftデータを再利用する見通しは、材料データサイエンス時代のアプリケーションにとって魅力的なアプローチです。
関連論文リスト
- QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳(メタデータ) (2023-06-15T23:39:07Z) - Transfer learning for chemically accurate interatomic neural network
potentials [0.0]
密度汎関数計算から得られたデータに基づいてネットワークパラメータを事前学習することにより、より正確なab-initioデータに基づいてトレーニングされたモデルのサンプル効率が向上することを示す。
ANI-1x および ANI-1ccx データセット上で事前訓練および微調整されたGM-NN電位を提供する。
論文 参考訳(メタデータ) (2022-12-07T19:21:01Z) - Phonon Induced Spin Dephasing Time of Nitrogen Vacancy Centers in
Diamond from First Principles [0.0]
ダイヤモンド中の負電荷窒素空孔中心に対する欠陥色中心のスピン脱落時間を計算する。
フォノンによる脱落は低温でのT2の制限因子であることがわかった。
このアプローチは半導体、分子系、および他のバンドギャップ材料における他のスピン欠陥に一般化することができる。
論文 参考訳(メタデータ) (2022-09-23T05:02:37Z) - Learning the Physics of Particle Transport via Transformers [0.0]
単エネルギー陽子ビームで堆積した線量を予測するデータ駆動線量計算アルゴリズムを提案する。
提案手法は,現在の臨床解析用鉛筆法よりも33倍高速である。
我々のモデルは、これまでリアルタイム適応プロトン処理を禁止してきた大きな障害を克服する可能性がある。
論文 参考訳(メタデータ) (2021-09-08T22:26:03Z) - 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) - Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。
核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。
核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
論文 参考訳(メタデータ) (2021-06-09T16:23:47Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - 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) - 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) - The limit of spin lifetime in solid-state electronic spins [77.34726150561087]
最大2フォノンプロセスを含むスピン緩和の完全な第1原理図を提供する。
バナジウム系分子量子ビットを研究したところ、高温でのスピン寿命はラマン過程によって制限されることがわかった。
論文 参考訳(メタデータ) (2020-04-08T14:27:36Z)
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。