論文の概要: Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function
- arxiv url: http://arxiv.org/abs/2401.16611v1
- Date: Mon, 29 Jan 2024 22:44:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 16:54:25.065585
- Title: Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function
- Title(参考訳): 電子-フォノンスペクトル関数の深層学習による超伝導体発見の加速
- Authors: Jason B. Gibson, Ajinkya C. Hire, Philip M. Dee, Oscar Barrera,
Benjamin Geisler, Peter J. Hirschfeld, Richard G. Hennig
- Abstract要約: 深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating deep learning with the search for new electron-phonon
superconductors represents a burgeoning field of research, where the primary
challenge lies in the computational intensity of calculating the
electron-phonon spectral function, $\alpha^2F(\omega)$, the essential
ingredient of Midgal-Eliashberg theory of superconductivity. To overcome this
challenge, we adopt a two-step approach. First, we compute $\alpha^2F(\omega)$
for 818 dynamically stable materials. We then train a deep-learning model to
predict $\alpha^2F(\omega)$, using an unconventional training strategy to
temper the model's overfitting, enhancing predictions. Specifically, we train a
Bootstrapped Ensemble of Tempered Equivariant graph neural NETworks (BETE-NET),
obtaining an MAE of 0.21, 45 K, and 43 K for the Eliashberg moments derived
from $\alpha^2F(\omega)$: $\lambda$, $\omega_{\log}$, and $\omega_{2}$,
respectively, yielding an MAE of 2.5 K for the critical temperature, $T_c$.
Further, we incorporate domain knowledge of the site-projected phonon density
of states to impose inductive bias into the model's node attributes and enhance
predictions. This methodological innovation decreases the MAE to 0.18, 29 K,
and 28 K, respectively, yielding an MAE of 2.1 K for $T_c$. We illustrate the
practical application of our model in high-throughput screening for high-$T_c$
materials. The model demonstrates an average precision nearly five times higher
than random screening, highlighting the potential of ML in accelerating
superconductor discovery. BETE-NET accelerates the search for high-$T_c$
superconductors while setting a precedent for applying ML in materials
discovery, particularly when data is limited.
- Abstract(参考訳): 深層学習と新しい電子フォノン超伝導体の探索を融合させることは、電子フォノンスペクトル関数を計算する計算強度の第一の課題である$\alpha^2F(\omega)$は、超伝導のミッドガル・エリシュベルグ理論の重要な要素である。
この課題を克服するために、我々は2段階のアプローチを採用する。
まず,818種類の動的安定材料に対して$\alpha^2f(\omega)$を計算する。
次に、モデルの過剰フィットを抑止する非慣習的なトレーニング戦略を使用して、ディープラーニングモデルをトレーニングして、$\alpha^2f(\omega)$を予測します。
具体的には、ブートストラップされた等価グラフニューラルネットワーク(bete-net)のアンサンブルを訓練し、$\alpha^2f(\omega)$:$\lambda$、$\omega_{\log}$、$\omega_{2}$から派生したeliashbergモーメントに対して、0.21、45k、43kのmaeを得る。
さらに,モデルノード属性に帰納的バイアスを課すため,サイトプロジェクションフォノン密度状態のドメイン知識を取り入れ,予測性を高める。
この方法の革新により、MAEはそれぞれ0.18、29K、28Kに減少し、MAEは2.1KでT_c$となる。
本稿では,高t_c$材料の高スループットスクリーニングにおけるモデルの適用例を示す。
このモデルはランダムスクリーニングの約5倍の精度を示し、超伝導体発見の加速におけるMLの可能性を強調している。
BETE-NETは、特にデータに制限がある場合、材料発見にMLを適用する先例を設定しながら、高いT_c$超伝導体の探索を加速する。
関連論文リスト
- Resummation-based Quantum Monte Carlo for Entanglement Entropy
Computation [0.46040036610482665]
本研究では,エンタングルメントエントロピー(EE)を効率を大幅に向上させるアルゴリズムResumEEを開発した。
我々のResumEEアルゴリズムは、多体系の量子絡み合いを正確に評価する重要な問題を解く。
論文 参考訳(メタデータ) (2023-10-02T18:00:02Z) - Simulation of IBM's kicked Ising experiment with Projected Entangled
Pair Operator [71.10376783074766]
我々は最近,誤りを軽減した量子回路を用いてエミュレートされた127量子ビットキックド・イジングモデルの古典的シミュレーションを行った。
提案手法はハイゼンベルク図の射影的絡み合ったペア作用素(PEPO)に基づいている。
我々はクリフォード展開理論を開発し、正確な期待値を計算し、それらをアルゴリズムの評価に利用する。
論文 参考訳(メタデータ) (2023-08-06T10:24:23Z) - Krylov complexity in the IP matrix model [0.0]
IP行列モデルは、隣接高調波発振器と基本高調波発振器からなる単純な大容量N$量子力学モデルである。
このモデルでランツォスの係数は$b_n$で、十分に高温では対数補正で$n$で線形に成長する。
その結果、クリロフ複雑性は $sim expleft(calOleft(sqrttright)right として指数関数的に増加する。
論文 参考訳(メタデータ) (2023-06-07T21:58:09Z) - Extracting the gamma-ray source-count distribution below the Fermi-LAT
detection limit with deep learning [68.8204255655161]
合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。
トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
論文 参考訳(メタデータ) (2023-02-03T19:00:51Z) - Faster spectral density calculation using energy moments [77.34726150561087]
我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。
このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
論文 参考訳(メタデータ) (2022-11-01T23:57:58Z) - High-dimensional Asymptotics of Feature Learning: How One Gradient Step
Improves the Representation [89.21686761957383]
2層ネットワークにおける第1層パラメータ $boldsymbolW$ の勾配降下ステップについて検討した。
我々の結果は、一つのステップでもランダムな特徴に対してかなりの優位性が得られることを示した。
論文 参考訳(メタデータ) (2022-05-03T12:09:59Z) - 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) - Interpretable discovery of new semiconductors with machine learning [10.09604500193621]
DARWIN(Deep Adaptive Regressive Weighted Intelligent Network)という実験バンドギャップに対してベンチマークされたハイブリッド機能的DFTデータに基づいて訓練されたマシンラーニングサロゲートモデルを用いた進化的アルゴリズムによる探索を報告する。
この戦略は、対象特性を持つ候補に対して、10$8$3aryと10$11$4ternaries$7$の材料空間の効率的な探索を可能にする。
論文 参考訳(メタデータ) (2021-01-12T10:23:16Z) - Supervised deep learning prediction of the formation enthalpy of the
full set of configurations in complex phases: the $\sigma-$phase as an
example [1.8369974607582582]
固体化学におけるいくつかの特性の予測に機械学習をどのように利用できるかを示す。
特に、与えられた複雑な結晶相の形成熱を予測するのに使用できる。
論文 参考訳(メタデータ) (2020-11-21T22:07:15Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳(メタデータ) (2020-09-28T17:21:25Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳(メタデータ) (2020-02-25T19:18:36Z)
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。