論文の概要: Learning charges and long-range interactions from energies and forces
- arxiv url: http://arxiv.org/abs/2412.15455v1
- Date: Thu, 19 Dec 2024 23:24:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 19:50:50.503762
- Title: Learning charges and long-range interactions from energies and forces
- Title（参考訳）: エネルギーと力からの学習電荷と長距離相互作用
- Authors: Dongjin Kim, Daniel S. King, Peichen Zhong, Bingqing Cheng,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.502816712907136
- License:
- Abstract: Accurate modeling of long-range forces is critical in atomistic simulations, as they play a central role in determining the properties of materials and chemical systems. However, standard machine learning interatomic potentials (MLIPs) often rely on short-range approximations, limiting their applicability to systems with significant electrostatics and dispersion forces. We recently introduced the Latent Ewald Summation (LES) method, which captures long-range electrostatics without explicitly learning atomic charges or charge equilibration. Extending LES, we incorporate the ability to learn physical partial charges, encode charge states, and the option to impose charge neutrality constraints. We benchmark LES on diverse and challenging systems, including charged molecules, ionic liquid, electrolyte solution, polar dipeptides, surface adsorption, electrolyte/solid interfaces, and solid-solid interfaces. Our results show that LES can effectively infer physical partial charges, dipole and quadrupole moments, as well as achieve better accuracy compared to methods that explicitly learn charges. LES thus provides an efficient, interpretable, and generalizable MLIP framework for simulating complex systems with intricate charge transfer and long-range
- Abstract（参考訳）: 長距離力の正確なモデリングは、物質や化学系の特性を決定する上で中心的な役割を果たすため、原子論シミュレーションにおいて重要である。
しかし、標準的な機械学習原子間ポテンシャル(MLIP)は、しばしば短距離近似に依存し、静電気力と分散力を持つシステムに適用性を制限する。
我々は最近、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潜在エワルド法(LES)を導入した。
LESを拡張して、物理的部分電荷の学習、電荷状態のエンコード、電荷中立性の制約を課すオプションを組み込む。
我々は, 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, 電解質/固体界面, 固形界面などの多種多様で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。
したがって、LESは複雑な電荷移動と長距離の複雑なシステムをシミュレートするための効率的で解釈可能で一般化可能なMLIPフレームワークを提供する。
関連論文リスト
- Universal Machine Learning Interatomic Potentials are Ready for Solid Ion Conductors [4.7376603774180515]
UMLIP(Universal Machine Learning Interatomic potential)は、その効率性とほぼDFTレベルの精度で、有望なソリューションを提供する。
本研究は, エネルギー, 力, 熱力学特性, 弾性率, リチウムイオン拡散挙動の6つの先進的UMLIPモデルを系統的に評価する。
その結果、MatterSimは、特に複雑な物質システムにおいて、ほぼすべての指標において、他の指標よりも優れています。
論文 参考訳（メタデータ） (2025-02-14T07:55:53Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
超イオン材料は、エネルギー密度と安全性を向上させる固体電池の推進に不可欠である。
このような物質を同定するための従来の計算手法は資源集約的であり、容易ではない。
普遍的原子間ポテンシャル解析によるイオン伝導率の迅速かつ確実な評価手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Latent Ewald summation for machine learning of long-range interactions [0.0]
本稿では,局所的な原子ディスクリプタから潜時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。
荷電および極性分子二量体、バルク水、水蒸気界面などのシステムでは、標準の短距離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。
論文 参考訳（メタデータ） (2024-08-27T16:03:18Z) - Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。
近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。
この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
論文 参考訳（メタデータ） (2024-05-23T16:30:51Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Driving Force and Nonequilibrium Vibronic Dynamics in Charge Separation
of Strongly Bound Electron-Hole Pairs [59.94347858883343]
本研究では,1,2,3次元ドナー・アクセプタネットワークにおける電荷分離のダイナミクスについて検討する。
これにより、過度な振動運動が効率的な長距離電荷分離を誘導する正確な条件を特定できる。
論文 参考訳（メタデータ） (2022-05-11T17:51:21Z) - Relativistic aspects of orbital and magnetic anisotropies in the
chemical bonding and structure of lanthanide molecules [60.17174832243075]
本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。
我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
論文 参考訳（メタデータ） (2021-07-06T15:34:00Z) - 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) - Many Electrons and the Photon Field -- The many-body structure of
nonrelativistic quantum electrodynamics [0.0]
本稿では,電子構造法を弱い状態から強い結合状態へ正確な分極構造法に変換する方法について述べる。
電子構造法の標準アルゴリズムを新しいハイブリッドFermi-Bose統計に適合させる方法について論じる。
論文 参考訳（メタデータ） (2021-02-23T11:00:06Z) - Multi-scale approach for the prediction of atomic scale properties [0.0]
局所性は、量子力学的観測可能性を予測する機械学習スキームの下にある。
これらのアプローチの主な欠点の1つは、物理的効果を捉えることができないことである。
我々は、同じフレームワークのローカル情報と非ローカル情報を組み合わせたマルチスケールスキームの構築方法を示す。
論文 参考訳（メタデータ） (2020-08-27T14:01:00Z) - The Vacua of Dipolar Cavity Quantum Electrodynamics [0.0]
両極性物質の状態がいかに強く、長距離の真空変動が変化するかを示し、特異な性質を持つ新しい位相を誘導する。
これらの一般的なメカニズムは、キャビティアシスト化学から超強結合回路QEDシステムに基づく量子技術まで、潜在的な応用にとって重要である。
論文 参考訳（メタデータ） (2020-04-28T18:00:04Z)
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。