論文の概要: Accurate and scalable exchange-correlation with deep learning

• arxiv url: http://arxiv.org/abs/2506.14665v2
• Date: Wed, 18 Jun 2025 08:39:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 13:10:45.385243
• Title: Accurate and scalable exchange-correlation with deep learning
• Title（参考訳）: 高精度でスケーラブルな交換相関とディープラーニング
• Authors: Giulia Luise, Chin-Wei Huang, Thijs Vogels, Derk P. Kooi, Sebastian Ehlert, Stephanie Lanius, Klaas J. H. Giesbertz, Amir Karton, Deniz Gunceler, Megan Stanley, Wessel P. Bruinsma, Lin Huang, Xinran Wei, José Garrido Torres, Abylay Katbashev, Bálint Máté, Sékou-Oumar Kaba, Roberto Sordillo, Yingrong Chen, David B. Williams-Young, Christopher M. Bishop, Jan Hermann, Rianne van den Berg, Paola Gori-Giorgi,
• Abstract要約: Skalaは最新のディープラーニングベースのXC関数で、データから直接表現を学習することで、高価な手設計の機能をバイパスする。 スカラは半局所DFTの計算効率を保ちながら、小さな分子の原子化エネルギーの化学的精度を達成する。
• 参考スコア（独自算出の注目度）: 16.688759664771965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Density Functional Theory (DFT) is the most widely used electronic structure method for predicting the properties of molecules and materials. Although DFT is, in principle, an exact reformulation of the Schr\"odinger equation, practical applications rely on approximations to the unknown exchange-correlation (XC) functional. Most existing XC functionals are constructed using a limited set of increasingly complex, hand-crafted features that improve accuracy at the expense of computational efficiency. Yet, no current approximation achieves the accuracy and generality for predictive modeling of laboratory experiments at chemical accuracy -- typically defined as errors below 1 kcal/mol. In this work, we present Skala, a modern deep learning-based XC functional that bypasses expensive hand-designed features by learning representations directly from data. Skala achieves chemical accuracy for atomization energies of small molecules while retaining the computational efficiency typical of semi-local DFT. This performance is enabled by training on an unprecedented volume of high-accuracy reference data generated using computationally intensive wavefunction-based methods. Notably, Skala systematically improves with additional training data covering diverse chemistry. By incorporating a modest amount of additional high-accuracy data tailored to chemistry beyond atomization energies, Skala achieves accuracy competitive with the best-performing hybrid functionals across general main group chemistry, at the cost of semi-local DFT. As the training dataset continues to expand, Skala is poised to further enhance the predictive power of first-principles simulations.
• Abstract（参考訳）: 密度汎関数理論 (DFT) は分子や物質の特性を予測する最も広く使われている電子構造法である。 DFTは原理的にはシュル・オジンガー方程式の正確な再構成であるが、実際的な応用は未知の交換相関関数 (XC) の近似に依存する。 既存のXC関数の多くは、計算効率を犠牲にして精度を向上する、複雑で手作りの限られた機能セットを使って構築されている。 しかし、化学精度での実験実験の予測モデリングの精度と一般化を達成する現在の近似は、通常、1 kcal/mol以下の誤差として定義される。 そこで本研究では,データから直接表現を学習することで,手作業で設計した高価な機能を回避できる,最新のディープラーニングベースのXC機能であるSkalaを紹介する。 スカラは半局所DFTの計算効率を保ちながら、小さな分子の原子化エネルギーの化学的精度を達成する。 この性能は、計算集約波動関数法を用いて生成された、前代未聞の高精度参照データをトレーニングすることで実現される。 特にSkolaは、多様な化学を対象とする追加のトレーニングデータによって、体系的に改善されている。 原子化エネルギーを超越した化学に適した付加的な高精度データを導入することで、スカラは半局所DFTのコストで、一般的な主群化学全体にわたって最高の性能を持つハイブリッド機能と競合する精度を達成できる。 トレーニングデータセットが拡大を続けるにつれ、Skolaは第一原理シミュレーションの予測能力をさらに強化する可能性がある。

関連論文リスト

• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Machine Learning for Improved Density Functional Theory Thermodynamics [0.0]
  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。
  論文  参考訳（メタデータ） (2025-03-07T15:46:30Z)
• On the practical applicability of modern DFT functionals for chemical computations. Case study of DM21 applicability for geometry optimization [55.88862563823878]
  本研究は,分子量予測におけるDM21関数の効率評価に焦点をあてる。 幾何最適化問題におけるDM21関数に対するPySCFの幾何最適化を実装した。 本研究は,DFTにおける幾何最適化におけるニューラルネットワーク機能の可能性と現状の課題を明らかにするものである。
  論文  参考訳（メタデータ） (2025-01-21T14:01:06Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Machine learning Hubbard parameters with equivariant neural networks [0.0]
  等変ニューラルネットワークに基づく機械学習モデルを提案する。 ここでは,繰り返し線形応答計算を用いて自己整合的に計算したハバードパラメータの予測を行う。 本モデルでは,Hubbard $U$および$V$パラメータの平均絶対相対誤差を平均3%,5%とする。
  論文  参考訳（メタデータ） (2024-06-04T16:21:24Z)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Grad DFT: a software library for machine learning enhanced density functional theory [0.0]
  密度汎関数理論(DFT)は、計算量子化学と材料科学の基盤となっている。 最近の研究は、機械学習がDFTの能力をいかに拡張できるかを探求し始めている。 我々は、完全に差別化可能なJAXベースのDFTライブラリであるGrad DFTを紹介し、高速なプロトタイピングと機械学習による交換相関エネルギー関数の実験を可能にする。
  論文  参考訳（メタデータ） (2023-09-23T00:25:06Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
  サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。 sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。 eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
  論文  参考訳（メタデータ） (2021-03-12T22:26:36Z)

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。