論文の概要: Learning Equivariant Non-Local Electron Density Functionals
- arxiv url: http://arxiv.org/abs/2410.07972v1
- Date: Thu, 10 Oct 2024 14:31:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 06:15:07.852628
- Title: Learning Equivariant Non-Local Electron Density Functionals
- Title（参考訳）: 等変非局所電子密度関数の学習
- Authors: Nicholas Gao, Eike Eberhard, Stephan Günnemann,
- Abstract要約: Equivariant Graph Exchange correlation (EG-XC) は、同変グラフニューラルネットワークに基づく新しい非局所XC関数である。
EG-XCは、半局所関数と同変核中心点雲表現によってパラメータ化された非局所特徴密度を結合する。
MD17では,金標準のCCSD(T)エネルギーを正確に再構成するEG-XCが発見された。
- 参考スコア（独自算出の注目度）: 51.721844709174206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accuracy of density functional theory hinges on the approximation of non-local contributions to the exchange-correlation (XC) functional. To date, machine-learned and human-designed approximations suffer from insufficient accuracy, limited scalability, or dependence on costly reference data. To address these issues, we introduce Equivariant Graph Exchange Correlation (EG-XC), a novel non-local XC functional based on equivariant graph neural networks. EG-XC combines semi-local functionals with a non-local feature density parametrized by an equivariant nuclei-centered point cloud representation of the electron density to capture long-range interactions. By differentiating through a self-consistent field solver, we train EG-XC requiring only energy targets. In our empirical evaluation, we find EG-XC to accurately reconstruct `gold-standard' CCSD(T) energies on MD17. On out-of-distribution conformations of 3BPA, EG-XC reduces the relative MAE by 35% to 50%. Remarkably, EG-XC excels in data efficiency and molecular size extrapolation on QM9, matching force fields trained on 5 times more and larger molecules. On identical training sets, EG-XC yields on average 51% lower MAEs.
- Abstract（参考訳）: 密度汎関数理論の精度は、交換相関関数(XC)への非局所的な寄与の近似に依存する。
現在までに、機械学習と人間設計の近似は、不十分な精度、スケーラビリティの制限、高価な参照データへの依存に悩まされている。
これらの問題に対処するために、同変グラフニューラルネットワークに基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
EG-XCは、半局所関数と、電子密度の同変核中心点雲表現によってパラメータ化された非局所的特徴密度を組み合わせて、長距離相互作用を捉える。
自己整合フィールドソルバを微分することにより,エネルギー目標のみを必要とするEG-XCを訓練する。
経験的評価では, MD17の「金標準」CCSD(T)エネルギーを正確に再構成するEG-XCが得られた。
3BPAの分布外コンフォメーションでは、EG-XCは相対MAEを35%から50%減少させる。
注目すべきは、EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れており、5倍以上の分子で訓練された整合力場である。
同じトレーニングセットでは、EG-XCは平均して51%低いMAEで収まる。
関連論文リスト
- Learning local and semi-local density functionals from exact exchange-correlation potentials and energies [1.5088726951324294]
正確な交換相関関数(XC)の発見は、密度汎関数理論(DFT)における決定的課題である。
我々は,XC関数の正確な密度,XCエネルギー,XCポテンシャルを利用して,XC関数を学習するためのデータ駆動経路を提案する。
論文 参考訳（メタデータ） (2024-09-10T13:26:37Z) - Quantum-Enhanced Neural Exchange-Correlation Functionals [0.193482901474023]
コーンシャム密度汎関数論(英語版)(KS-DFT)は、分子の正確な基底状態エネルギーと電子密度を、未知の普遍交換相関(英語版)(XC)関数に基づいて提供する。
近年の研究では、ニューラルネットワークが、その機能に対する近似を表現するために効率的に学習できることが示されており、トレーニングプロセス中に存在しない分子に正確な一般化を提供する。
量子強化機械学習(ML)の最近の進歩により、量子ニューラルネットワーク(QNN)モデルがMLアプリケーションにメリットをもたらす証拠が増えている。
論文 参考訳（メタデータ） (2024-04-22T15:07:57Z) - AEDFL: Efficient Asynchronous Decentralized Federated Learning with
Heterogeneous Devices [61.66943750584406]
異種環境におけるAEDFL(Asynchronous Efficient Decentralized FL framework)を提案する。
まず、FL収束を改善するための効率的なモデル集約手法を用いた非同期FLシステムモデルを提案する。
次に,より優れた精度を実現するために,動的安定化を考慮したモデル更新手法を提案する。
第3に,通信コストと計算コストを大幅に削減する適応スパース学習法を提案する。
論文 参考訳（メタデータ） (2023-12-18T05:18:17Z) - Electron-Affinity Time-Dependent Density Functional Theory: Formalism
and Applications to Core-Excited States [0.0]
粒子-ホール相互作用問題は時間依存密度汎関数理論の中で長く続いている。
我々は、n-1電子系の最適化軌道を基準として、線形応答形式を導出する。
我々のアプローチは、静的交換近似の正確な一般化であり、TDDFT XASの誤差を桁違いに削減する。
論文 参考訳（メタデータ） (2022-05-17T23:05:15Z) - Exact two-component Hamiltonians for relativistic quantum chemistry:
Two-electron picture-change corrections made simple [0.0]
正確な2成分(X2C)ハミルトニアンフレームワーク内で生じる2つの行列代数的手法を用いて、テキストおよびスピン軌道2電子画像変化効果(PCE)を補正する。
我々は、これらのPCE補正モデルの、グループ18およびグループ16二原子分子のスピノルエネルギーに関する数値的性能を評価する。
我々は、(e)amfX2C PCE補正モデルが、普遍的で信頼性の高い2成分量子化学アプローチに向けた基本的なマイルストーンであると確信している。
論文 参考訳（メタデータ） (2022-04-08T10:11:29Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳（メタデータ） (2022-03-31T12:52:25Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。
sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。
eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
論文 参考訳（メタデータ） (2021-03-12T22:26:36Z) - Too big, too small or just right? A benchmark assessment of density
functional theory for predicting the spatial extent of the electron density
of small chemical systems [0.0]
100個の小分子に対して$mathcalK$のプリニカル成分のベンチマークデータセットを開発した。
このデータセットに対して、47の人気度と最近の密度関数の性能を評価した。
論文 参考訳（メタデータ） (2020-11-25T08:00:31Z)
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。