論文の概要: Electrostatics from Laplacian Eigenbasis for Neural Network Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2505.14606v2
• Date: Wed, 15 Oct 2025 22:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 18:56:32.488954
• 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）: 9.268742966352383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 {\phi} and corresponding charges \r{ho} 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. 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 https://github.com/dunnolab/phi-module.
• Abstract（参考訳）: 本研究では,メッセージパス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、与えられた分子グラフの学習可能なラプラシア固有基底係数に結びついたポテンシャル {\phi} と対応する電荷 \r{ho} 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。 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https://github.com/dunnolab/phi-module.comから入手できる。

関連論文リスト

• Electron neural closure for turbulent magnetosheath simulations: energy channels [0.0]
  完全畳み込みニューラルネットワーク(FCNN)を用いた非局所5モーメント電子圧テンソル閉鎖法を提案する。 このモデルは、崩壊する磁気シース乱流の完全運動エネルギー保存半単純粒子インセルシミュレーションのための代理モデルの開発に使用される。
  論文  参考訳（メタデータ） (2025-09-30T21:00:50Z)
• VAE-DNN: Energy-Efficient Trainable-by-Parts Surrogate Model For Parametric Partial Differential Equations [49.1574468325115]
  本稿では, 前方および逆パラメータ化非線形偏微分方程式を解くための, トレーニング可能な各部分サロゲートモデルを提案する。 提案手法はエンコーダを用いて高次元の入力$y(bmx)$を低次元の潜在空間である$bmmu_bmphi_y$に還元する。 完全連結ニューラルネットワークを用いて、Pの潜伏空間に$bmmu_bmphi_y$、$bmmu_bmphi_h$をマッピングする。
  論文  参考訳（メタデータ） (2025-08-05T18:37:32Z)
• Efficient dataset construction using active learning and uncertainty-aware neural networks for plasma turbulent transport surrogate models [0.0]
  本研究は,不確実性を考慮したアーキテクチャを用いてモデル生成のための効率的なデータセットを構築するための実証実験である。 この戦略はトカマク核融合プラズマ中のプラズマ乱流輸送問題、特にQuaLiKiz準静電ジャイロキネティック乱流輸送符号に再び適用された。 45回のアクティブな学習イテレーションで、102ドルの小さな初期トレーニングセットから104ドルの最終セットに移行し、結果のモデルは0.8のF_1ドルの分類パフォーマンス、独立したテストセットで0.75ドルの回帰パフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-07-21T18:15:12Z)
• FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
  $textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。 この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
  論文  参考訳（メタデータ） (2025-05-21T15:33:27Z)
• 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)
• Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
  本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。 第一原理計算では,10種中8種が室温で超イオン性であることが確認された。 本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
  論文  参考訳（メタデータ） (2024-11-11T09:01:36Z)
• 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)
• End-to-End Reaction Field Energy Modeling via Deep Learning based Voxel-to-voxel Transform [0.8852892045299524]
  本稿では,ニューラルネットワークに基づく偏微分方程式解法の最近の進歩に触発された,新しい機械学習手法PBNeFを紹介する。 本手法はPB方程式の入力および境界静電条件を学習可能なボクセル表現に定式化する。 PBNeFは従来のPBソルバに比べて100倍以上のスピードアップを達成した。
  論文  参考訳（メタデータ） (2024-10-04T21:11:17Z)
• Neural Thermodynamic Integration: Free Energies from Energy-based Diffusion Models [19.871787625519513]
  我々は、トレーニング可能なニューラルネットワークで表されるアルケミカル経路に沿って熱力学積分(TI)を実行することを提案する。 本研究では、相互作用系と非相互作用系の間の時間依存ハミルトン補間をパラメトリズし、その勾配を最適化する。 すべての中間アンサンブルをサンプリングするエネルギーベース拡散モデルの能力により、単一の参照計算からTIを実行することができる。
  論文  参考訳（メタデータ） (2024-06-04T13:42:42Z)
• 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)
• 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)
• Train Faster, Perform Better: Modular Adaptive Training in Over-Parameterized Models [31.960749305728488]
  モジュラーニューラルタンジェントカーネル(mNTK)と呼ばれる新しい概念を導入する。 モジュールの学習の質が mNTK の主固有値 $lambda_max$ と密接に関連していることを示す。 動的しきい値を超えたlambda_max$でこれらのモジュールを更新するための,MAT(Modular Adaptive Training)と呼ばれる新しいトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-13T07:46:48Z)
• 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)
• 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)
• 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)
• Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
  流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。 本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。 本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T06:02:53Z)
• 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)
• Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
  本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。 化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
  論文  参考訳（メタデータ） (2021-09-15T16:46:46Z)
• 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。