論文の概要: Stable and Accurate Orbital-Free DFT Powered by Machine Learning

• arxiv url: http://arxiv.org/abs/2503.00443v1
• Date: Sat, 01 Mar 2025 10:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:27.521415
• Title: Stable and Accurate Orbital-Free DFT Powered by Machine Learning
• Title（参考訳）: 機械学習による安定かつ高精度な軌道自由DFT
• Authors: Roman Remme, Tobias Kaczun, Tim Ebert, Christof A. Gehrig, Dominik Geng, Gerrit Gerhartz, Marc K. Ickler, Manuel V. Klockow, Peter Lippmann, Johannes S. Schmidt, Simon Wagner, Andreas Dreuw, Fred A. Hamprecht,
• Abstract要約: ホーエンバーグとコーンは、電子エネルギーと1粒子の電子密度は、密度に関して機能するエネルギーを最小化することで得られることを示した。 QM9の有機分子に適用すると、化学的な精度でエネルギーを得ると同時に、有意義な電子密度に収束する密度関数が初めて得られる。
• 参考スコア（独自算出の注目度）: 10.847183316658015
• License:
• Abstract: Hohenberg and Kohn have proven that the electronic energy and the one-particle electron density can, in principle, be obtained by minimizing an energy functional with respect to the density. Given that decades of theoretical work have so far failed to produce this elusive exact energy functional promising great computational savings, it is reasonable to try and learn it empirically. Using rotationally equivariant atomistic machine learning, we obtain for the first time a density functional that, when applied to the organic molecules in QM9, yields energies with chemical accuracy while also converging to meaningful electron densities. Augmenting the training data with densities obtained from perturbed potentials proved key to these advances. Altogether, we are now closer than ever to fulfilling Hohenberg and Kohn's promise, paving the way for more efficient calculations in large molecular systems.
• Abstract（参考訳）: ホヘンベルクとコーンは、電子エネルギーと1粒子の電子密度が、原理的には密度に関して機能するエネルギーを最小化することで得られることを証明した。 何十年にもわたっての理論的な研究が、この正確なエネルギー関数を生み出すことができなかったことを考えると、それを経験的に学ぼうとするのは理にかなっている。 回転同変原子性機械学習を用いて、QM9の有機分子に適用すると、化学精度でエネルギーを得るとともに、有意義な電子密度に収束する密度関数を初めて得られる。 摂動電位から得られた密度でトレーニングデータを増強することは、これらの進歩の鍵であることが証明された。 いずれにせよ、私たちはこれまで以上にホヘンベルクとコーンの約束を果たそうとしており、大きな分子系におけるより効率的な計算の道を開いた。

関連論文リスト

• 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)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• Variational principle to regularize machine-learned density functionals: the non-interacting kinetic-energy functional [0.0]
  本稿では,ディープニューラルネットワークに基づく密度汎関数のトレーニングのための,より効率的な正規化手法を提案する。 この方法は、水素鎖、非相互作用電子、および最初の2周期の原子を含む(効果的に)1次元のシステムで試験される。 原子系では、正則化法の一般化可能性も交換相関関数の訓練によって示される。
  論文  参考訳（メタデータ） (2023-06-30T12:07:26Z)
• 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)
• Single-particle-exact density functional theory [0.0]
  1pEx-DFT (Single- Particle-exact density functional theory) は、エネルギーに対する全ての単一粒子の正確な機能的寄与を表す。 量子多体系の単一粒子状態の「参加数」から密度行列を構成するための2つの新しいスキームを利用して相互作用エネルギー汎関数をパラメータ化する。
  論文  参考訳（メタデータ） (2023-05-05T01:24:21Z)
• 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)
• Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
  分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。 これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
  論文  参考訳（メタデータ） (2021-07-01T01:02:17Z)
• 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)
• Quantum deep field: data-driven wave function, electron density generation, and atomization energy prediction and extrapolation with machine learning [7.106986689736826]
  ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。 このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
  論文  参考訳（メタデータ） (2020-11-16T13:15:16Z)
• DeePKS: a comprehensive data-driven approach towards chemically accurate density functional theory [9.431567429927933]
  本稿では,正確で広く応用可能なエネルギー機能を構築するための汎用機械学習ベースのフレームワークを提案する。 大規模なデータセットを取得可能な自己整合モデルのトレーニング方法を開発する。 この訓練によって得られる関数は、大規模な分子のエネルギー、力、双極子、電子密度を化学的に正確に予測することを示した。
  論文  参考訳（メタデータ） (2020-08-01T04:30:37Z)

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。