論文の概要: From expNN to sinNN: automatic generation of sum-of-products models for potential energy surfaces in internal coordinates using neural networks and sparse grid sampling
- arxiv url: http://arxiv.org/abs/2504.21381v1
- Date: Wed, 30 Apr 2025 07:31:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 21:59:44.760742
- Title: From expNN to sinNN: automatic generation of sum-of-products models for potential energy surfaces in internal coordinates using neural networks and sparse grid sampling
- Title（参考訳）: expNNから sinNNへ:ニューラルネットワークとスパースグリッドサンプリングを用いた内部座標におけるポテンシャルエネルギー表面の積和モデルの自動生成
- Authors: Antoine Aerts,
- Abstract要約: 本研究の目的は,積の和形におけるポテンシャルエネルギー面を表す正弦波活性化関数を持つ単一層人工ニューラルネットワークの実現性を評価することである。
sinNNという名前のフィッティングアプローチはHONOのPSSをモデル化し、トランス異性体とシス異性体の両方をカバーする。
sinNN PESモデルは、利用可能な基本振動遷移エネルギーを17cm-1の根平均二乗誤差で再現することができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Potential Energy Surfaces are generally required for simulating quantum dynamics. Specifically, having an analytical expression of the PES enables a more efficient dynamics workflow compared to the currently popular direct dynamics approaches. When using the MCTDH method, there is also a strong advantage to express the PES in sum-of-products form for solving the time-dependent nuclear Schr\"odinger equation. Nevertheless, obtaining an accurate expression for the PES of molecular systems that contain more than a few atoms presents challenges. The objectives of this work are twofold. First, the practicality of a single-layer artificial neural network with sinusoidal activation functions for representing potential energy surfaces in sum-of-products form will be evaluated. Second, the efficiency and ability of a homogeneous sampling strategy based on sparse grids to provide unbiased coverage of configuration space for generating training data will be assessed. The fitting approach, named sinNN, is applied to modeling the PES of HONO, covering both the trans and cis isomers. Refitting is first explored with comparison to the expNN fitting method. Second, fitting from potential energies obtained from the machine learning model MLatom/AIQM2 is considered. The sinNN PES model obtained from MLatom/AIQM2 energies was able to reproduce available experimental fundamental vibrational transition energies with a root mean square error of about 17 cm-1. sinNN combined with sparse grids sampling approach proves to be of practical use for the chosen system, both at refitting and direct fitting tasks. The ability of MLatom/AIQM models to accurately reproduce global PESs beyond equilibrium geometries is of particular interest.
- Abstract（参考訳）: ポテンシャルエネルギー表面は一般に量子力学をシミュレートするために必要である。
具体的には、PESの分析式を持つことで、現在普及しているダイレクト・ダイナミクスのアプローチと比較して、より効率的な動的ワークフローを実現することができる。
MCTDH法を使用する場合、時間依存型核シュリンガー方程式を解くために、積の和形でPSSを表現することにも強い利点がある。
それでも、数個以上の原子を含む分子系のPSSの正確な表現を得るには、課題がある。
この作品の目的は2つある。
まず,正弦波活性化機能を持つ単一層人工ニューラルネットワークの実用性について検討する。
第2に、トレーニングデータを生成するための構成空間の偏りのないカバレッジを提供するためのスパースグリッドに基づく均質サンプリング戦略の効率性と能力を評価する。
sinNNという名前のフィッティングアプローチはHONOのPSSをモデル化し、トランス異性体とシス異性体の両方をカバーする。
まず, expNNフィッティング法と比較し, 適合性について検討した。
次に、機械学習モデルMLatom/AIQM2から得られるポテンシャルエネルギーの適合性を検討する。
MLatom/AIQM2エネルギーから得られた sinNN PES モデルでは, 根平均2乗誤差約17cm-1で利用可能な基本振動遷移エネルギーを再現することができた。
sinNNとスパースグリッドサンプリングのアプローチを組み合わせることで、リフィットおよび直接適合タスクの両方において、選択されたシステムに実用的であることが証明される。
MLatom/AIQMモデルが平衡測地を超えたグローバルPSSを正確に再現する能力は特に興味深い。
関連論文リスト
- Echo State network for coarsening dynamics of charge density waves [0.0]
エコー状態ネットワーク(英語: echo state network, ESN)は、疎結合層を持つリカレントニューラルネットワークを用いた貯水池型コンピュータである。
ここでは、半古典的なホルシュタインモデルにおいて電荷密度波(CDW)の粗大化ダイナミクスをモデル化するためのESNを構築する。
論文 参考訳（メタデータ） (2024-12-16T17:04:10Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳（メタデータ） (2024-02-22T16:33:48Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。
等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文 参考訳（メタデータ） (2023-05-12T04:12:04Z) - Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。
我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
論文 参考訳（メタデータ） (2023-04-21T20:49:29Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳（メタデータ） (2022-08-23T03:45:39Z) - Exploring accurate potential energy surfaces via integrating variational
quantum eigensovler with machine learning [8.19234058079321]
この研究で、変分量子アルゴリズムは機械学習(ML)技術と統合可能であることを示す。
変分量子固有解法(VQE)のパラメータを表すために,分子幾何学情報をディープニューラルネットワーク(DNN)に符号化する。
論文 参考訳（メタデータ） (2022-06-08T01:43:56Z) - A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization [0.1469945565246172]
本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
論文 参考訳（メタデータ） (2021-10-27T12:18:25Z) - Dual Training of Energy-Based Models with Overparametrized Shallow
Neural Networks [41.702175127106784]
エネルギーベースモデル(英: Energy-based model、EBM)は、通常最大推定によって訓練される生成モデルである。
本稿では,データセットから引き出されたランダムなサンプルで粒子を再起動するEMMアルゴリズムの2つの定式化を提案し,その再起動が各ステップ毎にスコアに対応することを示す。
これらの結果は単純な数値実験で説明される。
論文 参考訳（メタデータ） (2021-07-11T21:43:18Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z)
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。