論文の概要: Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
- arxiv url: http://arxiv.org/abs/2507.06929v1
- Date: Wed, 09 Jul 2025 15:11:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.638209
- Title: Machine-Learned Force Fields for Lattice Dynamics at Coupled-Cluster Level Accuracy
- Title（参考訳）: 連結クラスタレベル精度における格子ダイナミクスのための機械学習力場
- Authors: Sita Schönbauer, Johanna P. Carbone, Andreas Grüneis,
- Abstract要約: 機械学習力場(MLFF)を近似汎関数理論(DFT)と結合クラスタ(CC)レベルのポテンシャルエネルギー面で訓練する。
DFTと比較すると、CC理論で訓練されたMLFFは光モードに対して高い振動周波数をもたらし、実験によく一致する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate Machine-Learned Force Fields (MLFFs) trained on approximate Density Functional Theory (DFT) and Coupled Cluster (CC) level potential energy surfaces for the carbon diamond and lithium hydride solids. We assess the accuracy and precision of the MLFFs by calculating phonon dispersions and vibrational densities of states (VDOS) that are compared to experiment and reference ab initio results. To overcome limitations from long-range effects and the lack of atomic forces in the CC training data, a delta-learning approach based on the difference between CC and DFT results is explored. Compared to DFT, MLFFs trained on CC theory yield higher vibrational frequencies for optical modes, agreeing better with experiment. Furthermore, the MLFFs are used to estimate anharmonic effects on the VDOS of lithium hydride at the level of CC theory.
- Abstract（参考訳）: 炭素ダイヤモンドおよび水素化リチウム固体に対する近似密度汎関数理論(DFT)および結合クラスター(CC)レベルのポテンシャルエネルギー表面を学習した機械学習力場(MLFF)について検討した。
実験結果と比較したフォノン分散と振動密度(VDOS)を計算し,MLFFの精度と精度を評価する。
CCトレーニングデータにおける長距離効果の限界と原子力の欠如を克服するため,CCとDFTの差に基づくデルタ学習手法について検討した。
DFTと比較すると、CC理論で訓練されたMLFFは光モードに対して高い振動周波数をもたらし、実験によく一致する。
さらに、MLFFは、CC理論のレベルでの水素化リチウムのVDOSに対する不調和効果を推定するために用いられる。
関連論文リスト
- Dynamic structure factor of a driven-dissipative Bose-Hubbard model [0.0]
動的構造因子(DSF)は多体物理学における励起を理解する上で重要である。
非平衡スピンレスBose-Hubbardモデル(BHM)のDSFを、散逸相転移(DPT)の観点から定常状態に計算する。
以上の結果から,DPT点近傍のDSFは遷移点から離れたものと特徴的に異なり,DPTの明瞭な密度スペクトルシグネチャが得られることがわかった。
論文 参考訳（メタデータ） (2025-06-11T11:17:41Z) - A predictive machine learning force field framework for liquid electrolyte development [11.463808946378743]
本稿では,分子動力学(MD)シミュレーションの予測フレームワークであるBAMBOOを紹介する。
我々は、量子力学シミュレーションから学ぶため、BAMBOOのバックボーンとして、物理に着想を得たグラフ同変変変圧器アーキテクチャを設計する。
また,アンサンブル知識蒸留手法を導入してMLFFに適用し,MDシミュレーションによる観測の変動を低減する。
論文 参考訳（メタデータ） (2024-04-10T17:31:49Z) - Accurate machine learning force fields via experimental and simulation
data fusion [0.0]
機械学習(ML)ベースの力場は、量子レベルの精度で古典的原子間ポテンシャルのスケールにまたがる能力のために、ますます関心が高まりつつある。
ここでは、密度汎関数理論(DFT)計算と実験的に測定された力学特性と格子パラメータの両方を活用して、チタンのMLポテンシャルを訓練する。
融合したデータ学習戦略は、全ての対象目標を同時に満たすことができ、結果として、単一のソースデータで訓練されたモデルと比較して高い精度の分子モデルが得られることを実証する。
論文 参考訳（メタデータ） (2023-08-17T18:22:19Z) - 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) - Donor-Acceptor Pairs in Wide-Bandgap Semiconductors for Quantum
Technology Applications [38.9306189220547]
ダイヤモンドおよび炭化ケイ素(SiC)の様々な点欠陥によって形成されるドナー・アクセプター対(DAP)の電子構造と相互作用について検討する。
地盤と励起状態の偏極性の違いは、ダイヤモンドおよびSiC中のいくつかのDAPに対して異常に大きな電気双極子モーメントをもたらすことを示す。
我々は、選択された置換原子の放射寿命と発光スペクトルを予測し、ダイヤモンド中のB-N対は大きな電子-フォノンカップリングにより制御が難しいが、SiC中のDAP、特にAl-N対は、長距離光制御可能な相互作用を実現するのに適した候補であることを示す。
論文 参考訳（メタデータ） (2023-05-09T22:45:13Z) - Real-time equation-of-motion CC cumulant and CC Green's function
simulations of photoemission spectra of water and water dimer [54.44073730234714]
実時間CC累積法で得られた結果について考察する。
これらの方法を用いて得られたイオン化ポテンシャルを価領域で比較した。
RT-EOM-CC法とCCGF法により得られたスペクトル関数の特徴を衛星ピークの位置と関連づけて解析した。
論文 参考訳（メタデータ） (2022-05-27T18:16:30Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - Machine Learning Force Fields [54.48599172620472]
機械学習(ML)は、計算化学の多くの進歩を可能にした。
最も有望な応用の1つは、MLベースの力場(FF)の構築である。
本稿では,ML-FFの応用と,それらから得られる化学的知見について概説する。
論文 参考訳（メタデータ） (2020-10-14T13:14:14Z) - Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。
所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。
実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
論文 参考訳（メタデータ） (2020-03-06T23:11:13Z)
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。