Fugu-MT 論文翻訳(概要): Latent Ewald summation for machine learning of long-range interactions

論文の概要: Latent Ewald summation for machine learning of long-range interactions

arxiv url: http://arxiv.org/abs/2408.15165v1
Date: Tue, 27 Aug 2024 16:03:18 GMT
ステータス: 処理完了
システム内更新日: 2024-08-28 13:13:36.186332
Title: Latent Ewald summation for machine learning of long-range interactions
Title（参考訳）: 長距離相互作用の機械学習のための潜在エワルド和法
Authors: Bingqing Cheng,
Abstract要約: 本稿では,局所的な原子ディスクリプタから潜伏変数を学習することにより,長距離相互作用を考慮した簡便かつ効率的な手法を提案する。荷電, 極性, 無極性分子二量体, バルク水, 水蒸気界面などのシステムでは, 標準的な短距離MLIPが非物理的予測に繋がることを示した。長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine learning interatomic potentials (MLIPs) often neglect long-range interactions, such as electrostatic and dispersion forces. In this work, we introduce a straightforward and efficient method to account for long-range interactions by learning a latent variable from local atomic descriptors and applying an Ewald summation to this variable. We demonstrate that in systems including charged, polar, or apolar molecular dimers, bulk water, and water-vapor interface, standard short-ranged MLIPs can lead to unphysical predictions even when employing message passing. The long-range models effectively eliminate these artifacts, with only about twice the computational cost of short-range MLIPs.
Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は、静電気や分散力のような長距離相互作用を無視することが多い。本研究では,局所的な原子ディスクリプタから潜伏変数を学習し,この変数にエワルド和を適用することにより,長距離相互作用の簡易かつ効率的な手法を提案する。荷電, 極性, 無極性分子二量体, バルク水, 水蒸気界面などのシステムでは, 標準的な短距離MLIPは, メッセージパッシングを用いても非物理的な予測を導出できることを示した。長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。

関連論文リスト

Out-of-time-order correlator computation based on discrete truncated Wigner approximation [4.604003661048267]
本稿では,時間外相関器を計算するための離散的な Wigner 近似 (DTWA) に基づく手法を提案する。この研究は、長距離相互作用量子スピン系のスクランブルダイナミクスを研究するための新しい技術を提供する。
論文参考訳（メタデータ） (2025-01-24T03:55:12Z)
Learning charges and long-range interactions from energies and forces [3.502816712907136]
我々は、原子電荷や電荷平衡を明示的に学習することなく、長距離静電気を捕捉するラテント・エワルド・サミエーション法を導入する。荷電分子, イオン液体, 電解質溶液, 極性ジペプチド, 表面吸着剤, 電解質/固体界面, 固体界面など, 多様な, 困難なシステムについてLESをベンチマークした。以上の結果から, LESは物理的部分電荷, 双極子モーメント, 四極子モーメントを効果的に推算できるとともに, 電荷を明示的に学習する手法と比較して精度が向上することが示唆された。
論文参考訳（メタデータ） (2024-12-19T23:24:44Z)
Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文参考訳（メタデータ） (2024-12-17T15:05:33Z)
Learning Interatomic Potentials at Multiple Scales [1.2162698943818964]
短時間のステップを使う必要性は、分子動力学(MD)シミュレーションの速度における鍵となる限界である。本研究では,2つのMLIPを協調学習することにより,複雑な原子間相互作用のスケール分離を学習する手法を提案する。
論文参考訳（メタデータ） (2023-10-20T18:34:32Z)
Physics-inspired Equivariant Descriptors of Non-bonded Interactions [0.0]
本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
論文参考訳（メタデータ） (2023-08-25T07:04:16Z)
Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-17T13:08:28Z)
Tuning long-range fermion-mediated interactions in cold-atom quantum simulators [68.8204255655161]
コールド原子量子シミュレータにおける工学的な長距離相互作用は、エキゾチックな量子多体挙動を引き起こす。そこで本研究では,現在実験プラットフォームで利用可能ないくつかのチューニングノブを提案する。
論文参考訳（メタデータ） (2022-03-31T13:32:12Z)
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)
Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
論文参考訳（メタデータ） (2021-03-15T21:38:41Z)
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)
Data-Driven Discovery of Molecular Photoswitches with Multioutput Gaussian Processes [51.17758371472664]
フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
論文参考訳（メタデータ） (2020-06-28T20:59:03Z)

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。