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/2311.00787v2
• Date: Tue, 25 Jun 2024 13:09:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 21:00:07.827330
• 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1000万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, André 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ことは、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、最初の原則からいくつかの方向のパワーを停止し、マシンラーニングを使用して他の方向へのインターポーラを、コア時間の1000万倍のコストで実行します。
• 参考スコア（独自算出の注目度）: 1.0327148933896368
• 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 a cost of 10 million times fewer core-hours. 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。 原子間の弾性散乱という原子の停止への核貢献は文献でよく理解されているが、電子的寄与に関するデータを収集するための経路は数十年にわたってコストがかかり、材料が等方性であることを含む多くの単純化された仮定に頼っている。 我々は、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、原子の詳細が電子停止に与える影響について貴重なデータを提供する。 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、最初の原則からいくつかの方向のパワーを停止し、マシンラーニングを使用して他の方向へのインターポーラを、コア時間の1000万倍のコストで実行します。 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により、我々の手法はほとんどの材料に適用でき、その速度は、放射線損傷の量子-連続モデルを可能にする主要な候補となる。 このモデルをトレーニングするために価値あるTDDFTデータを再利用する見通しは、私たちのアプローチを材料データ科学の時代の応用にアピールさせます。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators [0.9208007322096533]
  本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。 この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-07-12T18:29:48Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• 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)
• Electronic decay process spectra including nuclear degrees of freedom [49.1574468325115]
  フェムト秒にまたがる超ラピッド電子運動を探索し、それが等しく、その規律と関係があることを実証する。 超短パルス技術の出現は、原子や分子の電子配置を直接観察する能力に革命をもたらした。
  論文  参考訳（メタデータ） (2021-02-10T16:51:48Z)

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。