論文の概要: QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules

• arxiv url: http://arxiv.org/abs/2406.14149v3
• Date: Mon, 14 Oct 2024 12:46:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-15 17:54:23.188172
• Title: QeMFi: A Multifidelity Dataset of Quantum Chemical Properties of Diverse Molecules
• Title（参考訳）: QeMFi: 分子の量子化学特性の多値データセット
• Authors: Vivin Vinod, Peter Zaspel,
• Abstract要約: 本稿では,TD-DFT形式を用いて計算した5つの忠実度からなる量子化学マルチフィデリティ(QeMFi)データセットについて述べる。 STO-3G, 3-21G, 6-31G, def2-SVP, def2-TZVP。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Progress in both Machine Learning (ML) and Quantum Chemistry (QC) methods have resulted in high accuracy ML models for QC properties. Datasets such as MD17 and WS22 have been used to benchmark these models at some level of QC method, or fidelity, which refers to the accuracy of the chosen QC method. Multifidelity ML (MFML) methods, where models are trained on data from more than one fidelity, have shown to be effective over single fidelity methods. Much research is progressing in this direction for diverse applications ranging from energy band gaps to excitation energies. One hurdle for effective research here is the lack of a diverse multifidelity dataset for benchmarking. We provide the Quantum chemistry MultiFidelity (QeMFi) dataset consisting of five fidelities calculated with the TD-DFT formalism. The fidelities differ in their basis set choice: STO-3G, 3-21G, 6-31G, def2-SVP, and def2-TZVP. QeMFi offers to the community a variety of QC properties such as vertical excitation properties and molecular dipole moments, further including QC computation times allowing for a time benefit benchmark of multifidelity models for ML-QC.
• Abstract（参考訳）: 機械学習(ML)と量子化学(QC)の両方の手法の進歩は、QC特性に対する高精度なMLモデルをもたらす。 MD17やWS22のようなデータセットは、選択したQCメソッドの精度を示すある種のQCメソッドや忠実度でこれらのモデルをベンチマークするために使われてきた。 MFML(Multifidelity ML)法では、モデルが複数の忠実度からのデータに基づいて訓練され、単一の忠実度法よりも効果的であることが示されている。 この方向にはエネルギーバンドギャップから励起エネルギーまで様々な用途で多くの研究が進められている。 ここで効果的な研究のハードルの1つは、ベンチマークのための多様なマルチフィデリティデータセットの欠如である。 本稿では,TD-DFT形式を用いて計算した5つの忠実度からなる量子化学マルチフィデリティ(QeMFi)データセットについて述べる。 STO-3G, 3-21G, 6-31G, def2-SVP, def2-TZVP。 QeMFiは、QC計算時間を含む垂直励起特性や分子双極子モーメントなどの様々なQC特性をコミュニティに提供する。

関連論文リスト

• GWQ: Gradient-Aware Weight Quantization for Large Language Models [61.17678373122165]
  勾配対応重み量子化(GWQ)は、勾配を利用して外れ値の局所化を行う、低ビット重み量子化のための最初の量子化手法である。 GWQはFP16精度で上位1%の外れ値に対応し、残りの非外れ値重みは低ビットフォーマットで格納される。 ゼロショットタスクでは、GWQ量子化モデルは他の量子化法よりも精度が高い。
  論文  参考訳（メタデータ） (2024-10-30T11:16:04Z)
• Investigating Data Hierarchies in Multifidelity Machine Learning for Excitation Energies [0.0]
  本研究では,QeMFiベンチマークを用いた鉛直励起エネルギー予測におけるモデル効率と精度に対する$gamma$の修正の影響について検討した。 MFMLの新たな誤差距離、誤差輪郭は、各忠実度からのモデル誤差寄与の包括的ビューを提供するために提案される。 実験結果から, 対象忠実度が低い場合, 目標忠実度において2つのトレーニングサンプルのみを用いて, モデル精度を向上できることが示唆された。
  論文  参考訳（メタデータ） (2024-10-15T08:35:00Z)
• Quantum Kernel Methods under Scrutiny: A Benchmarking Study [0.0]
  基礎となるグラム行列を計算するための2つの一般的なアプローチ: 忠実性量子カーネル(FQK)と投影量子カーネル(PQK)である。 本稿では,FQKとPQKに基づくQKMを設計選択の多様体にわたって総合的に検討する。 我々のゴールは、特定のタスクの最高のパフォーマンスモデルを特定するのではなく、効果的なQKMにつながるメカニズムを明らかにすることです。
  論文  参考訳（メタデータ） (2024-09-06T16:56:06Z)
• Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties [0.0]
  量子化学(QC)特性に対するMFML(Multifidelity Machine Learning)は近年,強力な発展を遂げている。 本研究は,MFMLと最適化MFMLの2つの手法における非ネステッドトレーニングデータの利用を評価する。
  論文  参考訳（メタデータ） (2024-07-24T08:34:08Z)
• 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)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• 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)
• An Empirical Comparison of LM-based Question and Answer Generation Methods [79.31199020420827]
  質問と回答の生成(QAG)は、コンテキストが与えられた質問と回答のペアのセットを生成することで構成される。 本稿では,シーケンス・ツー・シーケンス言語モデル(LM)を微調整する3つの異なるQAG手法を用いて,ベースラインを確立する。 実験により、学習時間と推論時間の両方で計算的に軽量なエンドツーエンドQAGモデルが一般に堅牢であり、他のより複雑なアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-26T14:59:53Z)
• 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)
• Study of Feature Importance for Quantum Machine Learning Models [0.0]
  予測器の重要性は、古典的および量子機械学習(QML)におけるデータ前処理パイプラインの重要な部分である この研究は、QMLモデルの特徴的重要性を探求し、彼らの古典的機械学習(CML)と対比した最初の研究である。 我々はQMLモデルを訓練し、実世界のデータセット上で古典的アルゴリズムから特徴的重要度を計算するハイブリッド量子古典的アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2022-02-18T15:21:47Z)

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。