論文の概要: Machine learning approach for vibronically renormalized electronic band structures
- arxiv url: http://arxiv.org/abs/2409.01523v1
- Date: Tue, 3 Sep 2024 01:39:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 03:21:06.700931
- Title: Machine learning approach for vibronically renormalized electronic band structures
- Title(参考訳): 振動再正規化電子バンド構造に対する機械学習アプローチ
- Authors: Niraj Aryal, Sheng Zhang, Weiguo Yin, Gia-Wei Chern,
- Abstract要約: 物理特性の振動熱期待値の計算を第一原理から効率的に行う機械学習(ML)法を提案する。
深層学習ニューラルネットワークは、サンプリングされたフォノン構成に関連する物理的特性を正確に予測するために訓練される。
ニューラルネットワークモデルをトレーニングするためのDFT計算を100未満で行うと、振動熱予測値の計算において、一桁のサンプリングが可能であることを示す。
- 参考スコア(独自算出の注目度): 3.3312479395168455
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a machine learning (ML) method for efficient computation of vibrational thermal expectation values of physical properties from first principles. Our approach is based on the non-perturbative frozen phonon formulation in which stochastic Monte Carlo algorithm is employed to sample configurations of nuclei in a supercell at finite temperatures based on a first-principles phonon model. A deep-learning neural network is trained to accurately predict physical properties associated with sampled phonon configurations, thus bypassing the time-consuming {\em ab initio} calculations. To incorporate the point-group symmetry of the electronic system into the ML model, group-theoretical methods are used to develop a symmetry-invariant descriptor for phonon configurations in the supercell. We apply our ML approach to compute the temperature dependent electronic energy gap of silicon based on density functional theory (DFT). We show that, with less than a hundred DFT calculations for training the neural network model, an order of magnitude larger number of sampling can be achieved for the computation of the vibrational thermal expectation values. Our work highlights the promising potential of ML techniques for finite temperature first-principles electronic structure methods.
- Abstract(参考訳): 物理特性の振動熱期待値の計算を第一原理から効率的に行う機械学習(ML)法を提案する。
本手法は, 第一原理フォノンモデルに基づいて, 超セル内の原子核配置を有限温度でサンプリングするために, 確率モンテカルロアルゴリズムを用いた非摂動凍結フォノン定式化に基づく。
深層学習ニューラルネットワークは、サンプリングされたフォノン構成に関連する物理的特性を正確に予測するために訓練され、時間を要する計算をバイパスする。
電子系の点群対称性をMLモデルに組み込むため、超セル内のフォノン構成のための対称性不変記述子を開発するためにグループ理論法が用いられる。
我々は,密度汎関数理論(DFT)に基づくシリコンの温度依存性電子エネルギーギャップの計算にML手法を適用した。
ニューラルネットワークモデルをトレーニングするためのDFT計算が100未満の場合, 振動熱予測値の計算には, はるかに多くのサンプリングが可能であることを示す。
本研究は,有限温度第一原理電子構造法におけるML技術の有望な可能性を強調した。
関連論文リスト
- Orbital-free density functional theory with first-quantized quantum subroutines [0.0]
確率的想像時間進化(PITE)を用いた軌道自由密度汎関数理論(OFDFT)を実現する量子古典ハイブリッドスキームを提案する。
PITEはOFDFTの一部に適用され、各自己整合体(SCF)反復におけるハミルトニアン基底状態を探索する。
ハミルトンの基底状態エネルギーを得るには、回路深さが$O(log N_mathrmg)$が必要である。
論文 参考訳(メタデータ) (2024-07-23T05:34:11Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳(メタデータ) (2024-02-22T16:33:48Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳(メタデータ) (2023-06-23T07:53:09Z) - 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) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳(メタデータ) (2021-10-26T07:02:14Z) - Relativistic quantum theory and algorithms: a toolbox for modeling
many-fermion systems in different scenarios [0.0]
重元素を含む原子、分子、クラスターの電子構造を計算するための理論的手法と関連する計算手法について論じる。
分子標的に衝突する電子の弾性差分散乱断面積評価への相対論的量子力学的枠組みの適用について述べる。
論文 参考訳(メタデータ) (2021-10-02T10:20:50Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳(メタデータ) (2021-06-21T23:42:58Z) - Multi-task learning for electronic structure to predict and explore
molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。
このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。
ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文 参考訳(メタデータ) (2020-11-05T06:48:46Z) - Accelerating Finite-temperature Kohn-Sham Density Functional Theory with
Deep Neural Networks [2.7035666571881856]
本稿では,コーン・シャム密度汎関数理論(DFT)による全エネルギーを有限電子温度で再現する機械学習(ML)に基づく数値モデリングワークフローを提案する。
ディープニューラルネットワークに基づいて、ワークフローは与えられた原子構成に対する状態の局所密度(LDOS)を生成する。
本研究では, 固体および液体金属に対するこのアプローチの有効性を実証し, 固体および液体アルミニウムの独立学習モデルと統一学習モデルの比較を行った。
論文 参考訳(メタデータ) (2020-10-10T05:38:03Z) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳(メタデータ) (2020-07-15T22:38:41Z)
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。