論文の概要: Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems
- arxiv url: http://arxiv.org/abs/2502.19227v2
- Date: Thu, 20 Mar 2025 17:54:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 16:32:04.588983
- Title: Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems
- Title（参考訳）: Kohn-Sham Hamiltonian の分子系への拡張性と応用性の向上
- Authors: Yunyang Li, Zaishuo Xia, Lin Huang, Xinran Wei, Han Yang, Sam Harshe, Zun Wang, Chang Liu, Jia Zhang, Bin Shao, Mark B. Gerstein,
- Abstract要約: 我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。
その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
- 参考スコア（独自算出の注目度）: 11.085215676429858
- License:
- Abstract: Density Functional Theory (DFT) is a pivotal method within quantum chemistry and materials science, with its core involving the construction and solution of the Kohn-Sham Hamiltonian. Despite its importance, the application of DFT is frequently limited by the substantial computational resources required to construct the Kohn-Sham Hamiltonian. In response to these limitations, current research has employed deep-learning models to efficiently predict molecular and solid Hamiltonians, with roto-translational symmetries encoded in their neural networks. However, the scalability of prior models may be problematic when applied to large molecules, resulting in non-physical predictions of ground-state properties. In this study, we generate a substantially larger training set (PubChemQH) than used previously and use it to create a scalable model for DFT calculations with physical accuracy. For our model, we introduce a loss function derived from physical principles, which we call Wavefunction Alignment Loss (WALoss). WALoss involves performing a basis change on the predicted Hamiltonian to align it with the observed one; thus, the resulting differences can serve as a surrogate for orbital energy differences, allowing models to make better predictions for molecular orbitals and total energies than previously possible. WALoss also substantially accelerates self-consistent-field (SCF) DFT calculations. Here, we show it achieves a reduction in total energy prediction error by a factor of 1347 and an SCF calculation speed-up by a factor of 18%. These substantial improvements set new benchmarks for achieving accurate and applicable predictions in larger molecular systems.
- Abstract（参考訳）: 密度汎関数理論 (DFT) は量子化学と材料科学における中心的な手法であり、その中心はコーン・シャム・ハミルトニアン (Kohn-Sham Hamiltonian) の構成と解である。
その重要性にもかかわらず、DFTの応用はコーン・シャム・ハミルトニアンを構成するために必要な計算資源によってしばしば制限される。
これらの制限に対応するため、現在の研究では、ニューラルネットワークにコードされたロト翻訳対称性を用いて、分子および固体ハミルトニアンを効率的に予測するディープラーニングモデルを採用している。
しかし、先行モデルのスケーラビリティは、大きな分子に適用した場合に問題があり、結果として基底状態特性の非物理的予測が生じる。
本研究では、従来よりもはるかに大きなトレーニングセット(PubChemQH)を生成し、物理的精度でDFT計算のスケーラブルなモデルを作成する。
本稿では,ウェーブファンクション・アライメント・ロス(WALoss)と呼ばれる物理原理に基づく損失関数を導入する。
WALoss は予測されたハミルトニアンを観測値と整合させるために基底変化を行うため、結果として得られる相違は軌道エネルギー差のサロゲートとして機能し、分子軌道と全エネルギーの予測を従来より良くすることができる。
WALossはまた、自己整合体(SCF)DFT計算を著しく加速する。
ここでは, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることを示す。
これらの大幅な改良により、より大きな分子系において正確で適用可能な予測を達成するための新しいベンチマークが設定された。
関連論文リスト
- NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。
深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-22T15:24:08Z) - Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models [30.746062388701187]
本稿では,統合ニューラルネットワークアーキテクチャ,Deep Equilibrium Density Functional Theory Hamiltonian (DEQH)モデルを紹介する。
DEQHモデルは本質的にハミルトニアンの自己整合性の性質を捉えている。
本稿では,DECと既製の機械学習モデルを組み合わせた多目的フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:05:58Z) - Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。
これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。
一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
論文 参考訳（メタデータ） (2024-03-14T16:52:57Z) - Hamiltonian truncation tensor networks for quantum field theories [42.2225785045544]
連続場理論の古典的シミュレーションのためのテンソルネットワーク手法を提案する。
この手法はハミルトン・トランケーションとテンソル・ネットワーク技術に基づいて構築されている。
重要な発展の1つは、大域的プロジェクターの行列積状態表現の正確な構成である。
論文 参考訳（メタデータ） (2023-12-19T19:00:02Z) - Overcoming the Barrier of Orbital-Free Density Functional Theory for
Molecular Systems Using Deep Learning [46.08497356503155]
軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。
本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
論文 参考訳（メタデータ） (2023-09-28T16:33:36Z) - QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory [13.437597619451568]
KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。
初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
論文 参考訳（メタデータ） (2023-05-08T17:43:31Z) - Neural network enhanced measurement efficiency for molecular
groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。
ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文 参考訳（メタデータ） (2022-06-30T17:45:05Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z) - Parsimonious neural networks learn interpretable physical laws [77.34726150561087]
本稿では、ニューラルネットワークと進化的最適化を組み合わせたパシモニクスニューラルネットワーク(PNN)を提案し、精度とパシモニクスのバランスをとるモデルを求める。
アプローチのパワーと汎用性は、古典力学のモデルを開発し、基本特性から材料の融解温度を予測することによって実証される。
論文 参考訳（メタデータ） (2020-05-08T16:15:47Z)
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。