論文の概要: Quantum-informed simulations for mechanics of materials: DFTB+MBD framework

• arxiv url: http://arxiv.org/abs/2404.04216v1
• Date: Fri, 5 Apr 2024 16:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 23:46:55.337599
• Title: Quantum-informed simulations for mechanics of materials: DFTB+MBD framework
• Title（参考訳）: 材料力学の量子インフォームドシミュレーション:DFTB+MBDフレームワーク
• Authors: Zhaoxiang Shen, Raúl I. Sosa, Stéphane P. A. Bordas, Alexandre Tkatchenko, Jakub Lengiewicz,
• Abstract要約: 本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
• 参考スコア（独自算出の注目度）: 40.83978401377059
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The macroscopic behaviors of materials are determined by interactions that occur at multiple lengths and time scales. Depending on the application, describing, predicting, and understanding these behaviors require models that rely on insights from electronic and atomic scales. In such cases, classical simplified approximations at those scales are insufficient, and quantum-based modeling is required. In this paper, we study how quantum effects can modify the mechanical properties of systems relevant to materials engineering. We base our study on a high-fidelity modeling framework that combines two computationally efficient models rooted in quantum first principles: Density Functional Tight Binding (DFTB) and many-body dispersion (MBD). The MBD model is applied to accurately describe non-covalent van der Waals interactions. Through various benchmark applications, we demonstrate the capabilities of this framework and the limitations of simplified modeling. We provide an open-source repository containing all codes, datasets, and examples presented in this work. This repository serves as a practical toolkit that we hope will support the development of future research in effective large-scale and multiscale modeling with quantum-mechanical fidelity.
• Abstract（参考訳）: 材料のマクロな挙動は、複数の長さと時間スケールで発生する相互作用によって決定される。 アプリケーションによっては、これらの振る舞いを記述、予測、理解するためには、電子的および原子的スケールからの洞察に依存するモデルが必要である。 このような場合、これらのスケールでの古典的な単純化された近似は不十分であり、量子ベースモデリングが必要である。 本稿では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 我々は,量子第一原理に基づく2つの計算効率の良いモデル,密度汎関数タイト結合 (DFTB) と多体分散 (MBD) を組み合わせた高忠実度モデリングフレームワークを基礎とした。 MBDモデルは非共有のファンデルワールス相互作用を正確に記述するために用いられる。 様々なベンチマークアプリケーションを通じて、このフレームワークの機能と単純化されたモデリングの限界を実証する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。 このレポジトリは,量子力学的忠実度を用いた大規模・マルチスケールの効率的なモデリングにおける今後の研究を支援するための,実用的なツールキットとして機能する。

関連論文リスト

• Bayesian Modelling Approaches for Quantum States -- The Ultimate Gaussian Process States Handbook [0.0]
  この論文では、量子多体波動関数の(古典的な)モデリングのための新しいツールとテクニックについて論じる。 一般的な機械学習アプローチとの相乗効果を利用して、最も関連する固有の特徴の自動推論を実現する方法について概説する。 結果として得られるモデルは高い解釈可能性を持ち、量子システムの研究に容易に適用可能なツールを提供する。
  論文  参考訳（メタデータ） (2023-08-15T09:37:58Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Calibrating constitutive models with full-field data via physics informed neural networks [0.0]
  実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。 我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。 我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
  論文  参考訳（メタデータ） (2022-03-30T18:07:44Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Quantum Model Learning Agent: characterisation of quantum systems through machine learning [0.6474760227870044]
  ターゲットシステムのハミルトン的記述をリバースエンジニアリングするために,量子モデル学習エージェント(QMLA)というアルゴリズムを報告する。 QMLAは、プリオリ情報が限られている場合、ほとんどのインスタンスにおいて真のモデルを識別する。 そこで我々は,新しい仮説モデルを定式化するために遺伝的アルゴリズムを組み込むことにより,大規模モデル空間で動作するQMLAを実証する。
  論文  参考訳（メタデータ） (2021-12-15T19:01:53Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• Variational classical networks for dynamics in interacting quantum matter [0.0]
  本稿では,古典的スピンの複雑なネットワークに基づく,ニューラルネットワークに似た波動関数の変分クラスを導入する。 本手法は, 古典的極限が明確に定義された任意の量子多体系に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T14:03:37Z)
• 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)
• Exact representations of many body interactions with RBM neural networks [77.34726150561087]
  我々は、RBMの表現力を利用して、多体接触相互作用を1体演算子に正確に分解する。 この構成は、ハバードモデルでよく知られたヒルシュの変換を、核物理学におけるピオンレスFTのようなより複雑な理論に一般化する。
  論文  参考訳（メタデータ） (2020-05-07T15:59:29Z)

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。