Fugu-MT 論文翻訳(概要): Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models

論文の概要: Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models

arxiv url: http://arxiv.org/abs/2406.03794v2
Date: Wed, 09 Oct 2024 04:51:36 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-10 14:27:17.879731
Title: Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models
Title（参考訳）: 密度汎関数理論への自己整合性注入深い平衡モデルによるハミルトン予測
Authors: Zun Wang, Chang Liu, Nianlong Zou, He Zhang, Xinran Wei, Lin Huang, Lijun Wu, Bin Shao,
Abstract要約: 本稿では,統合ニューラルネットワークアーキテクチャ,Deep Equilibrium Density Functional Theory Hamiltonian (DEQH)モデルを紹介する。 DEQHモデルは本質的にハミルトニアンの自己整合性の性質を捉えている。本稿では,DECと既製の機械学習モデルを組み合わせた多目的フレームワークを提案する。
参考スコア（独自算出の注目度）: 30.746062388701187
License:
Abstract: In this study, we introduce a unified neural network architecture, the Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) model, which incorporates Deep Equilibrium Models (DEQs) for predicting Density Functional Theory (DFT) Hamiltonians. The DEQH model inherently captures the self-consistency nature of Hamiltonian, a critical aspect often overlooked by traditional machine learning approaches for Hamiltonian prediction. By employing DEQ within our model architecture, we circumvent the need for DFT calculations during the training phase to introduce the Hamiltonian's self-consistency, thus addressing computational bottlenecks associated with large or complex systems. We propose a versatile framework that combines DEQ with off-the-shelf machine learning models for predicting Hamiltonians. When benchmarked on the MD17 and QH9 datasets, DEQHNet, an instantiation of the DEQH framework, has demonstrated a significant improvement in prediction accuracy. Beyond a predictor, the DEQH model is a Hamiltonian solver, in the sense that it uses the fixed-point solving capability of the deep equilibrium model to iteratively solve for the Hamiltonian. Ablation studies of DEQHNet further elucidate the network's effectiveness, offering insights into the potential of DEQ-integrated networks for Hamiltonian learning. We open source our implementation at https://github.com/Zun-Wang/DEQHNet.
Abstract（参考訳）: 本研究では、密度汎関数理論(DFT)予測にDeep Equilibrium Models (DEQs)を組み込んだ統合ニューラルネットワークアーキテクチャ、Deep Equilibrium Density Functional Theory Hamiltonian (DEQH)モデルを導入する。 DEQHモデルは本質的にハミルトニアンの自己整合性の性質を捉えている。モデルアーキテクチャにDECを適用することで、ハミルトンの自己整合性を導入するための訓練段階におけるDFT計算の必要性を回避し、大規模なシステムや複雑なシステムに関連する計算ボトルネックに対処する。本稿では,DECと既製の機械学習モデルを組み合わせた多目的フレームワークを提案する。 MD17とQH9データセットでベンチマークすると、DQHフレームワークのインスタンス化であるDQHNetは、予測精度を大幅に改善した。予測器の他に、DECHモデルはハミルトンの解法であり、深い平衡モデルの固定点解能を用いてハミルトンの解法を反復的に解くという意味で用いられる。 DEQHNetのアブレーション研究はネットワークの有効性をさらに解明し、ハミルトン学習のためのDEC統合ネットワークの可能性についての洞察を提供する。実装はhttps://github.com/Zun-Wang/DEQHNet.comで公開しています。

関連論文リスト

Hamiltonian Score Matching and Generative Flows [9.566017873326725]
スコアマッチングと生成モデルのためのツールとしてハミルトン速度予測器(HVP)を導入する。 HVPを用いて構築された2つの革新は、ハミルトン軌道によるデータの増大によってスコア関数を推定するハミルトンスコアマッチング(HSM)と、非力場を持つHGFとして拡散モデルとフローマッチングを包含する新しい生成モデルであるハミルトン生成フロー(HGF)である。
論文参考訳（メタデータ） (2024-10-27T15:17:52Z)
Learning Generalized Hamiltonians using fully Symplectic Mappings [0.32985979395737786]
ハミルトン系は、保守的であり、すなわちエネルギーは進化を通して保存されるという重要な性質を持っている。特にハミルトニアンニューラルネットワークは、構造的帰納バイアスをNNモデルに組み込むメカニズムとして登場した。共振器のスキームはノイズに対して頑健であり,ノイズ観測から状態変数がサンプリングされた場合のハミルトニアン系の近似が良好であることを示す。
論文参考訳（メタデータ） (2024-09-17T12:45:49Z)
Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
論文参考訳（メタデータ） (2024-03-14T16:52:57Z)
Separable Hamiltonian Neural Networks [1.8674308456443722]
ハミルトンニューラルネットワーク (HNN) は、力学系のベクトル場を回帰する最先端のモデルである。観測,学習,帰納バイアスを用いて,HNN内に加法分離性を組み込む分離可能なHNNを提案する。
論文参考訳（メタデータ） (2023-09-03T03:54:43Z)
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)
Physics-Informed Learning Using Hamiltonian Neural Networks with Output Error Noise Models [0.0]
ハミルトンニューラルネットワーク(HNN)は、ディープラーニングにおいてハミルトン理論を実装している。本稿では,物理系のモデリングに対処する出力誤差ハミルトンニューラルネットワーク(OE-HNN)のモデリング手法を提案する。
論文参考訳（メタデータ） (2023-05-02T11:34:53Z)
Real-time simulations of transmon systems with time-dependent Hamiltonian models [0.0]
トランスモン系の時間発展に影響を与えるハミルトニアンモデルの側面について検討する。我々は、対応するコンピュータモデルを、非理想ゲートベース量子コンピュータ(NIGQC)モデルとして表現する。
論文参考訳（メタデータ） (2023-04-21T14:58:49Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
Learning Neural Hamiltonian Dynamics: A Methodological Overview [109.40968389896639]
Hamiltonian dynamicsは、ニューラルネットワークに正確な長期予測、解釈可能性、データ効率の学習を与える。我々は最近提案したハミルトンニューラルネットワークモデルについて、特に方法論に焦点を当てて体系的に調査した。
論文参考訳（メタデータ） (2022-02-28T22:54:39Z)
SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文参考訳（メタデータ） (2021-11-10T23:26:58Z)

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。