論文の概要: Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators

• arxiv url: http://arxiv.org/abs/2407.09628v1
• Date: Fri, 12 Jul 2024 18:29:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 21:28:05.295085
• Title: Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators
• Title（参考訳）: 機械学習タイムプロパゲータによる電子動力学シミュレーションの高速化
• Authors: Karan Shah, Attila Cangi,
• Abstract要約: 本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。 この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-dependent density functional theory (TDDFT) is a widely used method to investigate electron dynamics under various external perturbations such as laser fields. In this work, we present a novel approach to accelerate real time TDDFT based electron dynamics simulations using autoregressive neural operators as time-propagators for the electron density. By leveraging physics-informed constraints and high-resolution training data, our model achieves superior accuracy and computational speed compared to traditional numerical solvers. We demonstrate the effectiveness of our model on a class of one-dimensional diatomic molecules. This method has potential in enabling real-time, on-the-fly modeling of laser-irradiated molecules and materials with varying experimental parameters.
• Abstract（参考訳）: 時間依存密度汎関数理論(TDDFT)は、レーザー場のような様々な外部摂動下での電子力学を研究するために広く用いられる手法である。 本研究では, 自己回帰型ニューラル演算子を電子密度の時間プロパゲータとして利用して, リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,従来の数値解法と比較して精度と計算速度が向上する。 一次元二原子分子のクラスにおけるモデルの有効性を実証する。 この方法は、様々な実験パラメータを持つレーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。

関連論文リスト

• Interpolating many-body wave functions for accelerated molecular dynamics on the near-exact electronic surface [0.0]
  我々は原子配置の空間を通して相関多電子状態のスキームを開発する。 我々は、その後のダイナミクスに対して、ほぼ正確なポテンシャルエネルギー表面への証明可能な収束を示す。 分子動力学の軌跡を体系的に解くため、現代の電子構造アプローチと組み合わせる。
  論文  参考訳（メタデータ） (2024-02-16T22:03:37Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• Ab initio simulation of laser-induced electronic and vibrational coherence [0.0]
  核量子分布の初期構成によるアンサンブル生成は、単一軌道RT-TDDFT+Ehrenfestの多くの欠点を補うことを示す。 シミュレーションに時間依存パルスが明示的に含まれることで、この手法はコヒーレント非線形分光の第一原理研究の第一段階となる。
  論文  参考訳（メタデータ） (2021-12-21T10:30:41Z)
• Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations [4.154570557236527]
  極小量のデータに基づいてトレーニングされた動的ニューラルネットワークは、スピントロニクスデバイスの挙動を予測することができることを示す。 スピンニューラルODEは、マイクロ磁気シミュレーションを補完するスピントロニクスアプリケーションを開発するための破壊的なツールである。
  論文  参考訳（メタデータ） (2021-07-23T16:35:41Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
  半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。 複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。 本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
  論文  参考訳（メタデータ） (2020-08-27T18:21:46Z)
• Bayesian Force Fields from Active Learning for Simulation of Inter-Dimensional Transformation of Stanene [3.708456605408296]
  本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。 これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
  論文  参考訳（メタデータ） (2020-08-26T20:27:19Z)

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。