論文の概要: Machine Learning Nonadiabatic Dynamics: Eliminating Phase Freedom of Nonadiabatic Couplings with the State-Intraction State-Averaged Spin-Restricted Ensemble-Referenced Kohn-Sham Approach

• arxiv url: http://arxiv.org/abs/2410.22801v1
• Date: Wed, 30 Oct 2024 08:30:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:26:19.565807
• Title: Machine Learning Nonadiabatic Dynamics: Eliminating Phase Freedom of Nonadiabatic Couplings with the State-Intraction State-Averaged Spin-Restricted Ensemble-Referenced Kohn-Sham Approach
• Title（参考訳）: 機械学習非断熱力学:状態誘導型スピン制限エンサンブル法による非断熱カップリングの位相自由化
• Authors: Sung Wook Moon, Soohaeng Yoo Willow, Tae Hyeon Park, Seung Kyu Min, Chang Woo Myung,
• Abstract要約: SSR(2,2) の形式論において、ダイアバティック・ハミルトニアンの非対角要素の正方形から導かれる無相結合項 $Delta2$ を導入する。 このアプローチは、CI特異点と二重値結合関数に起因する問題に対処することにより、モデルの安定性と精度を向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Excited-state molecular dynamics (ESMD) simulations near conical intersections (CIs) pose significant challenges when using machine learning potentials (MLPs). Although MLPs have gained recognition for their integration into mixed quantum-classical (MQC) methods, such as trajectory surface hopping (TSH), and their capacity to model correlated electron-nuclear dynamics efficiently, difficulties persist in managing nonadiabatic dynamics. Specifically, singularities at CIs and double-valued coupling elements result in discontinuities that disrupt the smoothness of predictive functions. Partial solutions have been provided by learning diabatic Hamiltonians with phaseless loss functions to these challenges. However, a definitive method for addressing the discontinuities caused by CIs and double-valued coupling elements has yet to be developed. Here, we introduce the phaseless coupling term, $\Delta^2$, derived from the square of the off-diagonal elements of the diabatic Hamiltonian in the SSR(2,2) formalism. This approach improves the stability and accuracy of the MLP model by addressing the issues arising from CI singularities and double-valued coupling functions. We apply this method to the penta-2,4-dieniminium cation (PSB3), demonstrating its effectiveness in improving MLP training for ML-based nonadiabatic dynamics. Our results show that the $\Delta^2$ based ML-ESMD method can reproduce ab initio ESMD simulations, underscoring its potential and efficiency for broader applications, particularly in large-scale and long-timescale ESMD simulations.
• Abstract（参考訳）: 円錐交叉(CI)近傍の励起状態分子動力学(ESMD)シミュレーションは、機械学習ポテンシャル(MLP)を使用する場合、大きな課題となる。 MLPは、軌道表面ホッピング(TSH)のような混合量子古典法(MQC)への統合と、相関する電子核力学を効率的にモデル化する能力の認識を得たが、非断熱力学の管理には困難が続いている。 特に、CIにおける特異点と二重値結合要素は、予測関数の滑らかさを損なう不連続をもたらす。 部分解は、これらの課題に対して位相のない損失関数を持つダイアバティックハミルトニアンを学習することによって提供されてきた。 しかし、CIと二重値結合要素による不連続性に対処する決定的な手法はまだ開発されていない。 ここでは、SSR(2,2) 形式主義におけるダイアバティック・ハミルトニアンの非対角要素の正方形から導かれる位相レス結合項 $\Delta^2$ を導入する。 このアプローチは、CI特異点と二重値結合関数に起因する問題に対処することにより、MLPモデルの安定性と精度を向上させる。 本手法をPenta-2,4-diniminium cation (PSB3) に適用し,MLをベースとした非線形力学におけるMPPトレーニングの改善効果を示した。 以上の結果から, ML-ESMD法は, Ab初期ESMDシミュレーションを再現することができ, 特に大規模・大規模ESMDシミュレーションにおいて, より広範な応用の可能性と効率性を裏付けるものである。

関連論文リスト

• Zero-point energy of tensor fluctuations on the MPS manifold [0.05524804393257919]
  本研究では, 行列積状態(MPS)多様体を用いた高相関磁気系における低エネルギー物理の研究手法を提案する。 我々は,MPSにより基底状態がより良く表現されるシステムに,ある種の低絡磁材料をモデル化することに成功しているスピン波アプローチを適用した。
  論文  参考訳（メタデータ） (2024-10-29T18:00:02Z)
• Training Dynamics of Nonlinear Contrastive Learning Model in the High Dimensional Limit [1.7597525104451157]
  モデル重みの実験的分布は、マッキーン・ブラソフ非線形偏微分方程式(PDE)によって支配される決定論的尺度に収束する L2正則化の下で、このPDEは低次元常微分方程式(ODE)の閉集合に還元する。 ODEの固定点位置とその安定性を解析し,いくつかの興味深い結果を示した。
  論文  参考訳（メタデータ） (2024-06-11T03:07:41Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [74.93549765488103]
  薬物発見において、分子動力学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。 我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、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)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Symmetry breaking slows convergence of the ADAPT Variational Quantum Eigensolver [0.0]
  2つの強い相関系を用いたADAPT-VQEの性能に及ぼす対称性の破れの影響について検討した。 我々は、フェルミオンハミルトニアンの基準状態における対称性の破れと軌道マッピングがADAPT-VQEのコンパクト性と性能に与える影響を分析する。
  論文  参考訳（メタデータ） (2022-07-07T03:09:54Z)
• Many-body localization and delocalization dynamics in the thermodynamic limit [0.0]
  数値連成クラスタ展開(NLCE)は、熱力学の極限で直接量子系に取り組む手段を提供する。 NLCEは、乱れたスピンのクエンチダイナミクスをシミュレートすることで、MBLを探索する強力なツールを提供する。 我々の研究は、よく研究されている混乱したハイゼンベルク連鎖以外のシステムにおけるMBLに光を当て、この目的のためにNLCEの有用性を強調している。
  論文  参考訳（メタデータ） (2022-02-21T19:15:46Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Generalized Discrete Truncated Wigner Approximation for Nonadiabtic Quantum-Classical Dynamics [0.0]
  線形化半古典法, 一般化離散トランケートウィグナー近似(GDTWA)を導入する。 GDTWAは離散位相空間における電子自由度をサンプリングし、電子状態の集団の非物理的成長を禁ずる。 本手法は, 化学および関連分野における非断熱力学問題の解決に極めて適している可能性が示唆された。
  論文  参考訳（メタデータ） (2021-04-14T21:53:35Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)
• Reintroducing Straight-Through Estimators as Principled Methods for Stochastic Binary Networks [85.94999581306827]
  2重みとアクティベーションを持つニューラルネットワークのトレーニングは、勾配の欠如と離散重みよりも最適化が難しいため、難しい問題である。 多くの実験結果が経験的ストレートスルー(ST)アプローチで達成されている。 同時に、ST法はベルヌーイ重みを持つバイナリネットワーク(SBN)モデルにおける推定子として真に導出することができる。
  論文  参考訳（メタデータ） (2020-06-11T23:58:18Z)

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。