論文の概要: Solving deep-learning density functional theory via variational autoencoders

• arxiv url: http://arxiv.org/abs/2403.09788v1
• Date: Thu, 14 Mar 2024 18:11:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 21:25:23.892634
• Title: Solving deep-learning density functional theory via variational autoencoders
• Title（参考訳）: 変分オートエンコーダによるディープラーニング密度汎関数理論の解法
• Authors: Emanuele Costa, Giuseppe Scriva, Sebastiano Pilati,
• Abstract要約: 近年、機械学習モデルはデータから正確なエネルギー密度関数を学習するのに適していることが明らかになっている。 本稿では,様々な量子モデルの基底状態密度プロファイルの圧縮,フレキシブル,正規表現を構築するために,変分オートエンコーダを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, machine learning models, chiefly deep neural networks, have revealed suited to learn accurate energy-density functionals from data. However, problematic instabilities have been shown to occur in the search of ground-state density profiles via energy minimization. Indeed, any small noise can lead astray from realistic profiles, causing the failure of the learned functional and, hence, strong violations of the variational property. In this article, we employ variational autoencoders to build a compressed, flexible, and regular representation of the ground-state density profiles of various quantum models. Performing energy minimization in this compressed space allows us to avoid both numerical instabilities and variational biases due to excessive constraints. Our tests are performed on one-dimensional single-particle models from the literature in the field and, notably, on a three-dimensional disordered potential. In all cases, the ground-state energies are estimated with errors below the chemical accuracy and the density profiles are accurately reproduced without numerical artifacts.
• Abstract（参考訳）: 近年、主にディープニューラルネットワークと呼ばれる機械学習モデルは、データから正確なエネルギー密度関数を学習するのに適していることが明らかになっている。 しかし、エネルギー最小化による基底状態密度プロファイルの探索において、問題のある不安定性が発生することが示されている。 実際、どんな小さなノイズでも現実的なプロファイルからアストレイを導き、学習された関数の失敗を引き起こし、したがって変動特性の強い違反を引き起こす。 本稿では,様々な量子モデルの基底状態密度プロファイルの圧縮,フレキシブル,正規表現を構築するために,変分オートエンコーダを用いる。 この圧縮空間におけるエネルギー最小化により、過度の制約による数値不安定性と変分バイアスの両方を回避することができる。 本実験は,フィールドの文献から得られた1次元単一粒子モデル,特に3次元乱れポテンシャルを用いて行った。 いずれの場合も、基底状態エネルギーは化学精度以下の誤差で推定され、密度プロファイルは数値的なアーティファクトなしで正確に再現される。

関連論文リスト

• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Physics-Enhanced Multi-fidelity Learning for Optical Surface Imprint [1.0878040851638]
  本稿では,MFNN(Multi-fidelity Neural Network)を用いた逆問題解法を提案する。 我々は、純粋なシミュレーションデータを通してNNモデルを構築し、次にトランスファーラーニングを介してsim-to-realギャップをブリッジする。 実際の実験データを収集することの難しさを考慮し、未知の物理を掘り出し、既知の物理を転写学習フレームワークに埋め込む。
  論文  参考訳（メタデータ） (2023-11-17T01:55:15Z)
• Accurate machine learning force fields via experimental and simulation data fusion [0.0]
  機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。 ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。 融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
  論文  参考訳（メタデータ） (2023-08-17T18:22:19Z)
• Investigation of the Robustness of Neural Density Fields [7.67602635520562]
  本研究は、トレーニング中のノイズや制約などの外部要因に対する堅牢性の文脈における神経密度場とその相対誤差について検討する。 両モデルが多面体およびマスコングラウンドの真理で訓練された場合も同様に機能し、基底の真理が精度のボトルネックではないことを示す。
  論文  参考訳（メタデータ） (2023-05-31T09:43:49Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• 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)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)
• A Probability Density Theory for Spin-Glass Systems [0.0]
  任意の次元、相互作用、局所場を持つスピングラス系の連続確率密度理論を開発する。 スピングラスモデルの物理計算式を幾何学的にエンコードする方法を示す。 我々は、She-Kirkrrington (SK) モデル、ランダムな ErdHos-R'enyi グラフ上のスピン、制限されたボルツマンマシンなど、多くのスピングラスモデルに適用する。
  論文  参考訳（メタデータ） (2020-01-03T18:43:35Z)

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。