論文の概要: Higher-Order Equivariant Neural Networks for Charge Density Prediction
in Materials
- arxiv url: http://arxiv.org/abs/2312.05388v1
- Date: Fri, 8 Dec 2023 21:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 21:09:23.353160
- Title: Higher-Order Equivariant Neural Networks for Charge Density Prediction
in Materials
- Title(参考訳): 材料の電荷密度予測のための高次等変ニューラルネットワーク
- Authors: Teddy Koker, Keegan Quigley, Eric Taw, Kevin Tibbetts, Lin Li
- Abstract要約: ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。
本手法は, 分子・材料の大規模・多種多様な集合に関する先行研究よりも優れた性能を示す。
- 参考スコア(独自算出の注目度): 4.039806518896594
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The calculation of electron density distribution using density functional
theory (DFT) in materials and molecules is central to the study of their
quantum and macro-scale properties, yet accurate and efficient calculation
remains a long-standing challenge in the field of material science. This work
introduces ChargE3Net, an E(3)-equivariant graph neural network for predicting
electron density in atomic systems. ChargE3Net achieves equivariance through
the use of higher-order tensor representations, and directly predicts the
charge density at any arbitrary point in the system. We show that our method
achieves greater performance than prior work on large and diverse sets of
molecules and materials, and scales to larger systems than what is feasible to
compute with DFT. Using predicted electron densities as an initialization, we
show that fewer self-consistent iterations are required to converge DFT over
the default initialization. In addition, we show that non-self-consistent
calculations using the predicted electron densities can predict electronic and
thermodynamic properties of materials at near-DFT accuracy.
- Abstract(参考訳): 密度汎関数理論(DFT)を用いた物質や分子の電子密度分布の計算は、その量子的およびマクロスケール特性の研究の中心であるが、物質科学の分野における長年の課題は、正確かつ効率的な計算である。
本稿では、原子系の電子密度を予測するためのe(3)同値グラフニューラルネットワーク charge3net を紹介する。
ChargE3Netは高階テンソル表現を用いて等分散を達成し、系の任意の点における電荷密度を直接予測する。
提案手法は,dftで計算可能なものよりも大規模で多様な分子や材料の先行研究よりも高い性能を実現し,大規模システムにスケールできることを示した。
予測された電子密度を初期化として、デフォルト初期化よりもDFTを収束させるためには、自己整合性の反復を少なくする必要があることを示す。
さらに, 予測電子密度を用いた非自己整合計算により, 物質の電子的および熱力学的特性をほぼDFT精度で予測できることを示す。
関連論文リスト
- Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。
我々のモデルは様々な化学系の電子密度を再現することに成功した。
論文 参考訳(メタデータ) (2023-11-22T16:42:59Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [72.73126947400603]
我々は、999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ために、QH9と名付けられた新しい量子ハミルトンデータセットを生成する。
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) - KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory [13.437597619451568]
KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。
初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
論文 参考訳(メタデータ) (2023-05-08T17:43:31Z) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳(メタデータ) (2022-06-28T15:35:55Z) - Graph neural networks for fast electron density estimation of molecules,
liquids, and solids [0.0]
a machine learning framework for the prediction of $rho(vecr)$。
このモデルは、複数の分子(QM9)、液体エチレン炭酸塩電解質(EC)、LixNiyMnzCo(1-y-z)O2リチウムイオン電池陰極(NMC)で試験される。
論文 参考訳(メタデータ) (2021-12-01T16:57:31Z) - 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) - 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) - E(n) Equivariant Normalizing Flows for Molecule Generation in 3D [87.12477361140716]
本稿ではユークリッド対称性に同値な生成モデルを紹介する: E(n) 等変正規化フロー(E-NFs)
私たちの知る限りでは、これは3Dで分子を生成する可能性に基づく最初の深層生成モデルである。
論文 参考訳(メタデータ) (2021-05-19T09:28:54Z) - Quantum deep field: data-driven wave function, electron density
generation, and atomization energy prediction and extrapolation with machine
learning [7.106986689736826]
ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。
このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
論文 参考訳(メタデータ) (2020-11-16T13:15:16Z) - DeepDFT: Neural Message Passing Network for Accurate Charge Density
Prediction [0.0]
DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。
モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
論文 参考訳(メタデータ) (2020-11-04T16:56:08Z) - 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)
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。