論文の概要: Electrostatics from Laplacian Eigenbasis for Neural Network Interatomic Potentials
- arxiv url: http://arxiv.org/abs/2505.14606v1
- Date: Tue, 20 May 2025 16:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:53.595043
- Title: Electrostatics from Laplacian Eigenbasis for Neural Network Interatomic Potentials
- Title（参考訳）: ニューラルネットワークの原子間ポテンシャルに対するラプラシアン固有基底の静電特性
- Authors: Maksim Zhdanov, Vladislav Kurenkov,
- Abstract要約: メッセージパッシングフレームワーク内でPoissonの方程式を強制するユニバーサルプラグインモジュールである$Phi$-Moduleを紹介します。
具体的には、各原子ワイド表現は、離散化されたポアソン方程式を満たすように奨励される。
次に、全エネルギー予測の改善に不可欠な静電エネルギー項を導出する。
- 参考スコア（独自算出の注目度）: 3.069335774032178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in neural network interatomic potentials have emerged as a promising research direction. However, popular deep learning models often lack auxiliary constraints grounded in physical laws, which could accelerate training and improve fidelity through physics-based regularization. In this work, we introduce $\Phi$-Module, a universal plugin module that enforces Poisson's equation within the message-passing framework to learn electrostatic interactions in a self-supervised manner. Specifically, each atom-wise representation is encouraged to satisfy a discretized Poisson's equation, making it possible to acquire a potential $\boldsymbol{\phi}$ and a corresponding charge density $\boldsymbol{\rho}$ linked to the learnable Laplacian eigenbasis coefficients of a given molecular graph. We then derive an electrostatic energy term, crucial for improved total energy predictions. This approach integrates seamlessly into any existing neural potential with insignificant computational overhead. Experiments on the OE62 and MD22 benchmarks confirm that models combined with $\Phi$-Module achieve robust improvements over baseline counterparts. For OE62 error reduction ranges from 4.5\% to 17.8\%, and for MD22, baseline equipped with $\Phi$-Module achieves best results on 5 out of 14 cases. Our results underscore how embedding a first-principles constraint in neural interatomic potentials can significantly improve performance while remaining hyperparameter-friendly, memory-efficient and lightweight in training. Code will be available at \href{https://github.com/dunnolab/phi-module}{dunnolab/phi-module}.
- Abstract（参考訳）: ニューラルネットワークの原子間ポテンシャルの最近の進歩は、有望な研究方向として現れている。
しかし、人気のあるディープラーニングモデルは、物理法則に基づく補助的な制約を欠くことが多く、物理ベースの正規化を通じてトレーニングを加速し、忠実性を向上させることができる。
本稿では,メッセージパッシングフレームワーク内でポアソン方程式を適用し,静電気相互作用を自己管理的に学習する汎用プラグインモジュールである$\Phi$-Moduleを紹介する。
具体的には、各原子ワイド表現は、離散化されたポアソン方程式を満たすように奨励され、任意の分子グラフの学習可能なラプラシア固有基底係数に関連付けられたポテンシャル$\boldsymbol{\phi}$と対応する電荷密度$\boldsymbol{\rho}$を取得することができる。
次に、全エネルギー予測の改善に不可欠な静電エネルギー項を導出する。
このアプローチは、計算オーバーヘッドの少ない既存の神経電位にシームレスに統合される。
OE62とMD22ベンチマークの実験では、$\Phi$-Moduleと組み合わせたモデルがベースラインモデルよりも堅牢に改善されていることが確認された。
OE62エラー低減は4.5\%から17.8\%の範囲で、MD22では$\Phi$-Moduleを備えたベースラインが14ケース中5ケースで最高の結果を得る。
神経間電位に第一原理制約を埋め込むことは、ハイパーパラメータフレンドリで、メモリ効率が高く、トレーニング時の軽量さを保ちながら、パフォーマンスを著しく向上させる可能性がある。
コードは \href{https://github.com/dunnolab/phi-module}{dunnolab/phi-module} で入手できる。
関連論文リスト
- 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 [0.0]
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。
論文 参考訳（メタデータ） (2025-04-30T07:31:32Z) - DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Dynamic, Symmetry-Preserving, and Hardware-Adaptable Circuits for Quantum Computing Many-Body States and Correlators of the Anderson Impurity Model [0.0]
ハミルトン予想値は$omega(N_q)N_textmeas. leq O(N_textimpN_textbath)$対称性保存並列測定回路を必要とする。
我々のアンサッツは、初期のフォールトトレラントプロセッサの電子的相関を考慮に入れるのに有用なツールである。
論文 参考訳（メタデータ） (2024-05-23T21:41:28Z) - Q-Newton: Hybrid Quantum-Classical Scheduling for Accelerating Neural Network Training with Newton's Gradient Descent [37.59299233291882]
本稿では,ニュートンのGDを用いたニューラルネットワークトレーニングの高速化を目的とした,ハイブリッド量子古典スケジューラQ-Newtonを提案する。
Q-Newtonは量子と古典的な線形解法を協調する合理化スケジューリングモジュールを使用している。
評価の結果,Q-Newtonは一般的な量子機械と比較してトレーニング時間を大幅に短縮できる可能性が示された。
論文 参考訳（メタデータ） (2024-04-30T23:55:03Z) - Accelerating superconductor discovery through tempered deep learning of
the electron-phonon spectral function [0.0]
深層学習モデルを用いて電子フォノンスペクトル関数, $alpha2F(omega)$を予測する。
次に、サイトが提案するフォノン密度状態のドメイン知識を組み込んで、モデルのノード属性に帰納バイアスを課し、予測を強化する。
この方法の革新は、MAEを0.18、29K、28Kに減少させ、それぞれ2.1KのMAEを$T_c$とする。
論文 参考訳（メタデータ） (2024-01-29T22:44:28Z) - Efficient Approximations of Complete Interatomic Potentials for Crystal
Property Prediction [63.4049850776926]
結晶構造は、3次元空間で無限に繰り返される最小単位セルからなる。
現在の手法は、近くのノード間だけにエッジを確立することによってグラフを構築する。
距離のみを用いるのではなく,物理を前提とした原子間ポテンシャルを直接モデル化することを提案する。
論文 参考訳（メタデータ） (2023-06-12T07:19:01Z) - Unlocking the potential of two-point cells for energy-efficient training
of deep nets [4.544752600181175]
変換型L5PC駆動型ディープニューラルネットワーク(DNN)が、大量の異種実世界のオーディオ視覚(AV)データを効果的に処理できることを示す。
Xilinx UltraScale+ MPSoC デバイス上の新しい高分散並列実装は、最大で245759 × 50000$$mu$Jと見積もっている。
教師付き学習装置では、省エネはベースラインモデルよりも最大1250倍少ない(フィードフォワード送信)。
論文 参考訳（メタデータ） (2022-10-24T13:33:15Z) - Preparation of excited states for nuclear dynamics on a quantum computer [117.44028458220427]
量子コンピュータ上で励起状態を作成するための2つの異なる方法を研究する。
シミュレーションおよび実量子デバイス上でこれらの手法をベンチマークする。
これらの結果から,フォールトトレラントデバイスに優れたスケーリングを実現するために設計された量子技術が,接続性やゲート忠実性に制限されたデバイスに実用的なメリットをもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-28T17:21:25Z) - 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。