論文の概要: Universal Machine Learning Kohn-Sham Hamiltonian for Materials

• arxiv url: http://arxiv.org/abs/2402.09251v1
• Date: Wed, 14 Feb 2024 15:38:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 14:57:39.644549
• Title: Universal Machine Learning Kohn-Sham Hamiltonian for Materials
• Title（参考訳）: 材料のためのユニバーサル機械学習Kohn-Sham Hamiltonian
• Authors: Yang Zhong, Jihui Yang, Hongjun Xiang, and Xingao Gong
• Abstract要約: 本研究は、第一原理DFT計算から得られたハミルトン行列に基づいて訓練された普遍電子ハミルトニアンモデルを紹介する。 複雑な多要素系を含む周期表全体にわたって電子構造を予測する際の一般化を実証する。
• 参考スコア（独自算出の注目度）: 5.337302350000984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While density functional theory (DFT) serves as a prevalent computational approach in electronic structure calculations, its computational demands and scalability limitations persist. Recently, leveraging neural networks to parameterize the Kohn-Sham DFT Hamiltonian has emerged as a promising avenue for accelerating electronic structure computations. Despite advancements, challenges such as the necessity for computing extensive DFT training data to explore new systems and the complexity of establishing accurate ML models for multi-elemental materials still exist. Addressing these hurdles, this study introduces a universal electronic Hamiltonian model trained on Hamiltonian matrices obtained from first-principles DFT calculations of nearly all crystal structures on the Materials Project. We demonstrate its generality in predicting electronic structures across the whole periodic table, including complex multi-elemental systems. By offering a reliable efficient framework for computing electronic properties, this universal Hamiltonian model lays the groundwork for advancements in diverse fields related to electronic structures.
• Abstract（参考訳）: 密度汎関数理論(DFT)は電子構造計算において一般的な計算手法であるが、その計算要求とスケーラビリティの限界は持続する。 近年,Khn-Sham DFT Hamiltonian のパラメータ化にニューラルネットワークを活用することが,電子構造計算を高速化するための有望な道として浮上している。 進歩にもかかわらず、新しいシステムを探索するために広範なDFTトレーニングデータを計算する必要があることや、多要素材料のための正確なMLモデルを確立する複雑さといった課題が残っている。 これらのハードルに対処し、材料計画におけるほぼ全ての結晶構造の第一原理dft計算から得られるハミルトン行列で訓練された普遍的電子ハミルトニアンモデルを導入する。 複雑な多要素系を含む周期表全体の電子構造を予測する際の一般化を実証する。 電子物性を計算するための信頼性の高い効率的なフレームワークを提供することにより、この普遍的ハミルトンモデルは電子構造に関連する様々な分野の進歩の基盤となる。

関連論文リスト

• Electronic Correlations in Multielectron Silicon Quantum Dots [0.3793387630509845]
  シリコン金属-酸化物-半導体系量子ドットは、実用的な量子コンピュータを実現するための有望な経路を示す。 ハートリー・フォック理論(Hartree-Fock theory)は、多電子量子ドットの電子構造モデリングのための必須の道具である。 シリコン量子ドットのモデリングにおいて,これらの複雑さを考慮に入れたHartree-Fock法を提案する。
  論文  参考訳（メタデータ） (2024-07-05T06:46:38Z)
• 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)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Crystalformer: Infinitely Connected Attention for Periodic Structure Encoding [10.170537065646323]
  結晶構造から材料の物性を予測することは、材料科学の基本的な問題である。 結晶構造が無限に繰り返し、原子の周期的な配列であり、完全に連結された注意が無限に連結された注意をもたらすことを示す。 本稿では, 結晶構造に対する簡単なトランスフォーマーベースエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-03-18T11:37:42Z)
• Scalable Diffusion for Materials Generation [99.71001883652211]
  我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。 UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。 材料の生成モデルを評価するための追加指標を提案する。
  論文  参考訳（メタデータ） (2023-10-18T15:49:39Z)
• 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)
• Simulating challenging correlated molecules and materials on the Sycamore quantum processor [0.0]
  複雑な分子や物質をシミュレーションすることは、量子デバイスに期待される応用である。 超伝導量子プロセッサ上での静的および動的電子構造をシミュレートする。 我々の研究は、量子優位性の人工的な測度を物理的に関連する設定に変換するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-29T07:11:40Z)
• Machine learning based prediction of the electronic structure of quasi-one-dimensional materials under strain [0.0]
  準1次元材料の電子構造を予測できる機械学習モデルを提案する。 この技術はナノチューブ、ナノリボン、ナノワイヤ、ナノアセンブリといった重要な材料に適用される。
  論文  参考訳（メタデータ） (2022-02-02T09:32:03Z)
• Disentangling multiple scattering with deep learning: application to strain mapping from electron diffraction patterns [48.53244254413104]
  我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。 結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。 シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
  論文  参考訳（メタデータ） (2022-02-01T03:53:39Z)
• 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)
• 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。