論文の概要: Machine Learning for Improved Density Functional Theory Thermodynamics
- arxiv url: http://arxiv.org/abs/2503.05525v1
- Date: Fri, 07 Mar 2025 15:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 19:13:15.04217
- Title: Machine Learning for Improved Density Functional Theory Thermodynamics
- Title（参考訳）: 密度汎関数理論熱力学改善のための機械学習
- Authors: Sergei I. Simak, Erna K. Delczeg-Czirjak, Olle Eriksson,
- Abstract要約: 本稿では,密度汎関数理論計算における固有エネルギー分解誤差を体系的に補正する機械学習(ML)手法を提案する。
ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。
本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The predictive accuracy of density functional theory (DFT) for alloy formation enthalpies is often limited by intrinsic energy resolution errors, particularly in ternary phase stability calculations. In this work, we present a machine learning (ML) approach to systematically correct these errors, improving the reliability of first-principles predictions. A neural network model has been trained to predict the discrepancy between DFT-calculated and experimentally measured enthalpies for binary and ternary alloys and compounds. The model utilizes a structured feature set comprising elemental concentrations, atomic numbers, and interaction terms to capture key chemical and structural effects. By applying supervised learning and rigorous data curation we ensure a robust and physically meaningful correction. The model is implemented as a multi-layer perceptron (MLP) regressor with three hidden layers, optimized through leave-one-out cross-validation (LOOCV) and k-fold cross-validation to prevent overfitting. We illustrate the effectiveness of this method by applying it to the Al-Ni-Pd and Al-Ni-Ti systems, which are of interest for high-temperature applications in aerospace and protective coatings.
- Abstract（参考訳）: 合金生成エンタルピーの密度汎関数理論(DFT)の予測精度は、内在的なエネルギー分解誤差、特に3次相安定性計算によって制限されることが多い。
本研究では,これらの誤りを体系的に訂正する機械学習(ML)アプローチを提案し,第一原理予測の信頼性を向上させる。
ニューラルネットワークモデルは、二元系および三元系合金および化合物に対するDFT計算と実験的に測定されたエンタルピーの相違を予測するために訓練されている。
このモデルは、元素濃度、原子番号、相互作用項からなる構造的特徴集合を用いて、重要な化学および構造的効果を捉える。
教師付き学習と厳密なデータキュレーションを適用することで、堅牢で物理的に意味のある修正を確実にする。
このモデルは3つの隠蔽層を持つ多層パーセプトロン(MLP)回帰器として実装され、オーバーフィッティングを防ぐために、LOOCV(Left-one-out cross-validation)とk-fold cross-validation(k-fold cross-validation)によって最適化されている。
本手法の有効性を,航空宇宙・保護コーティングにおける高温応用に関心のあるAl-Ni-PdおよびAl-Ni-Ti系に応用して説明する。
関連論文リスト
- Machine learning surrogate models of many-body dispersion interactions in polymer melts [40.83978401377059]
本稿では,高分子融液中のMBD力を予測するための機械学習サロゲートモデルを提案する。
我々のモデルは、最も関連する原子結合を選択的に保持する、トリミングされたSchNetアーキテクチャに基づいている。
高計算効率で特徴付けられるサロゲートモデルにより、大規模な分子シミュレーションにMBD効果を実践的に組み込むことが可能となる。
論文 参考訳（メタデータ） (2025-03-19T12:15:35Z) - Loss Landscape Analysis for Reliable Quantized ML Models for Scientific Sensing [41.89148096989836]
機械学習(ML)モデルの損失景観を実証分析する手法を提案する。
本手法は,MLモデルのロバスト性を,量子化精度の関数や異なる正規化手法の下で評価することができる。
論文 参考訳（メタデータ） (2025-02-12T12:30:49Z) - Learnable Activation Functions in Physics-Informed Neural Networks for Solving Partial Differential Equations [0.0]
物理情報ネットワーク(PINN)における学習可能なアクティベーション関数を用いた部分微分方程式(PDE)の解法について検討する。
従来のMLP(Multilayer Perceptrons)とKAN(Kolmogorov-Arnold Neural Networks)に対する固定および学習可能なアクティベーションの比較を行った。
この発見は、PDEソルバのトレーニング効率、収束速度、テスト精度のバランスをとるニューラルネットワークアーキテクチャの設計に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-11-22T18:25:13Z) - Capturing many-body correlation effects with quantum and classical
computing [40.7853309684189]
我々は、X線光電子分光に関連するコアレベル状態の同定におけるQPE(Quantum Phase Estor)の有効性を示す。
我々は,QPE予測を,正確な対角化およびリアルタイムな運動方程式結合クラスタの定式化と比較し,検証する。
論文 参考訳（メタデータ） (2024-02-18T01:26:45Z) - A Posteriori Evaluation of a Physics-Constrained Neural Ordinary
Differential Equations Approach Coupled with CFD Solver for Modeling Stiff
Chemical Kinetics [4.125745341349071]
我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。
これにより、総質量と元素質量が保存されることが保証される。
論文 参考訳（メタデータ） (2023-11-22T22:40:49Z) - 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) - Supervised Machine Learning and Physics based Machine Learning approach
for prediction of peak temperature distribution in Additive Friction Stir
Deposition of Aluminium Alloy [0.0]
プロセスパラメータ, サーマルプロファイル, AFSD の相関関係はよく分かっていない。
この研究は、教師付き機械学習(ニューラルネットワーク)と物理情報ネットワーク(PINN)を組み合わせて、プロセスパラメータからAFSDのピーク温度分布を予測する。
論文 参考訳（メタデータ） (2023-09-13T09:39:42Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Machine-Learning Prediction of the Computed Band Gaps of Double
Perovskite Materials [3.2798940914359056]
機能性材料の電子構造の予測は新しい装置の工学に不可欠である。
本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。
この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
論文 参考訳（メタデータ） (2023-01-04T08:19:18Z) - Putting Density Functional Theory to the Test in
Machine-Learning-Accelerated Materials Discovery [2.7810723668216575]
従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。
DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
論文 参考訳（メタデータ） (2022-05-06T00:34:50Z) - 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) - OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted
Atomic-Orbital Features [42.96944345045462]
textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。
薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
論文 参考訳（メタデータ） (2020-07-15T22:38:41Z)
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。