論文の概要: A Recipe for Charge Density Prediction

• arxiv url: http://arxiv.org/abs/2405.19276v1
• Date: Wed, 29 May 2024 17:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 16:12:12.355306
• Title: A Recipe for Charge Density Prediction
• Title（参考訳）: 電荷密度予測のためのレシピ
• Authors: Xiang Fu, Andrew Rosen, Kyle Bystrom, Rui Wang, Albert Musaelian, Boris Kozinsky, Tess Smidt, Tommi Jaakkola,
• Abstract要約: 機械学習手法は、電荷密度の予測を著しく加速させることで有望である。 精度とスケーラビリティを両立できるレシピを提案する。 提案手法は,従来の手法よりも1桁以上高速でありながら,最先端の精度を実現する。
• 参考スコア（独自算出の注目度）: 4.017525264569417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In density functional theory, charge density is the core attribute of atomic systems from which all chemical properties can be derived. Machine learning methods are promising in significantly accelerating charge density prediction, yet existing approaches either lack accuracy or scalability. We propose a recipe that can achieve both. In particular, we identify three key ingredients: (1) representing the charge density with atomic and virtual orbitals (spherical fields centered at atom/virtual coordinates); (2) using expressive and learnable orbital basis sets (basis function for the spherical fields); and (3) using high-capacity equivariant neural network architecture. Our method achieves state-of-the-art accuracy while being more than an order of magnitude faster than existing methods. Furthermore, our method enables flexible efficiency-accuracy trade-offs by adjusting the model/basis sizes.
• Abstract（参考訳）: 密度汎関数理論において、電荷密度は全ての化学的性質を導出できる原子系の核的な属性である。 機械学習手法は電荷密度の予測を著しく加速するが、既存のアプローチでは精度やスケーラビリティに欠ける。 我々は両方を実現できるレシピを提案する。 特に,(1)原子・仮想軌道(原子・仮想座標中心の球面)による電荷密度の表現,(2)表現的かつ学習可能な軌道基底集合(球面の基底関数)を用いた,(3)高容量同変ニューラルネットワークアーキテクチャを用いた,3つの重要な成分を同定する。 提案手法は,従来の手法よりも1桁以上高速でありながら,最先端の精度を実現する。 さらに,モデル/バスサイズを調整し,フレキシブルな効率・精度トレードオフを実現する。

関連論文リスト

• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。 このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。 普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• Electronic structure prediction of medium and high entropy alloys across composition space [4.556522329713242]
  本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。 トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。 本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
  論文  参考訳（メタデータ） (2024-10-10T18:29:31Z)
• E3STO: Orbital Inspired SE(3)-Equivariant Molecular Representation for Electron Density Prediction [0.0]
  Slater-Type Orbitals (STO) からインスピレーションを得た新しいSE(3)-equivariantアーキテクチャを提案する。 我々のアプローチは、学習された軌道のような分子表現に代替的な機能形式を提供する。 分子電子密度のSOTA予測精度を他の分子動力学データよりも30～70%向上させることにより,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-10-08T15:20:33Z)
• 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)
• 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)
• Estimating the concentration of chiral media with bright squeezed light [77.34726150561087]
  キラル分析物の濃度を推定するためのガウスプローブの性能を定量的に評価する。 4倍精度向上は、最先端のスクイーズレベルと強度測定を用いて達成できる。
  論文  参考訳（メタデータ） (2022-08-21T17:18:10Z)
• Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
  本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
  論文  参考訳（メタデータ） (2022-08-01T01:39:11Z)
• 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)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• 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)
• 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。