論文の概要: A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials
- arxiv url: http://arxiv.org/abs/2507.14302v1
- Date: Fri, 18 Jul 2025 18:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:31.82567
- Title: A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials
- Title（参考訳）: 機械学習の原子間ポテンシャルにおける長距離静電気に対する普遍的拡張フレームワーク
- Authors: Dongjin Kim, Xiaoyu Wang, Peichen Zhong, Daniel S. King, Theo Jaffrelot Inizan, Bingqing Cheng,
- Abstract要約: 静電相互作用, 分極, ボルン有効電荷(BECs)を推定する潜在エワルド置換法(LES)
短距離MLIPと互換性のあるスタンドアロンライブラリとしてLESを提示し、MACE、NequIP、CACE、CHGNetといったメソッドとの統合を実証する。
分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより, LESを大規模かつ化学的に多様なデータに拡張する。
- 参考スコア（独自算出の注目度）: 8.414405667524889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most current machine learning interatomic potentials (MLIPs) rely on short-range approximations, without explicit treatment of long-range electrostatics. To address this, we recently developed the Latent Ewald Summation (LES) method, which infers electrostatic interactions, polarization, and Born effective charges (BECs), just by learning from energy and force training data. Here, we present LES as a standalone library, compatible with any short-range MLIP, and demonstrate its integration with methods such as MACE, NequIP, CACE, and CHGNet. We benchmark LES-enhanced models on distinct systems, including bulk water, polar dipeptides, and gold dimer adsorption on defective substrates, and show that LES not only captures correct electrostatics but also improves accuracy. Additionally, we scale LES to large and chemically diverse data by training MACELES-OFF on the SPICE set containing molecules and clusters, making a universal MLIP with electrostatics for organic systems including biomolecules. MACELES-OFF is more accurate than its short-range counterpart (MACE-OFF) trained on the same dataset, predicts dipoles and BECs reliably, and has better descriptions of bulk liquids. By enabling efficient long-range electrostatics without directly training on electrical properties, LES paves the way for electrostatic foundation MLIPs.
- Abstract（参考訳）: 現在の機械学習の原子間ポテンシャル(MLIP)の多くは、長距離静電気を明示的に扱うことなく、短距離近似に依存している。
そこで我々は最近,静電相互作用,分極,ボルン有効電荷(BECs)を推算するLatent Ewald Summation (LES)法を開発した。
本稿では,LESを任意の短距離MLIPと互換性のあるスタンドアロンライブラリとして提示し,MACE,NequIP,CACE,CHGNetなどのメソッドとの統合を実証する。
我々は, バルク水, 極性ジペプチド, および欠陥基板上の金二量体吸着を含む異なる系のLES強化モデルをベンチマークし, LESが正しい静電気を捕捉するだけでなく, 精度も向上することを示した。
さらに,分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより,LESを大規模かつ化学的に多様なデータに拡張する。
MACELES-OFFは、同じデータセットでトレーニングされた短距離(MACE-OFF)よりも正確であり、ダイポールとBECを確実に予測し、バルク液体のより良い記述を持つ。
電気的特性を直接訓練することなく効率的な長距離静電気を可能にすることで、LESは静電気基礎MLIPの道を開く。
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 interatomic potential can infer electrical response [3.502816712907136]
機械学習原子間ポテンシャル(MLIP)は、量子力学的手法に代わる効率的でスケーラブルな代替手段を提供する。
長距離MLIPから偏極およびボルン有効電荷(BEC)テンソルを直接抽出できることを示す。
この研究は、電荷や分極やBECのトレーニングを伴わずに、電気応答を予測する能力をMLIPに拡張し、様々なシステムにおける電場駆動プロセスの高精度なモデリングを可能にする。
論文 参考訳（メタデータ） (2025-04-07T15:14:07Z) - Equivariant Machine Learning Interatomic Potentials with Global Charge Redistribution [1.6112718683989882]
機械学習原子間ポテンシャル(MLIP)は、物質特性を予測するための量子力学シミュレーションの計算的に効率的な代替手段を提供する。
我々は、電子自由度を明示的に処理することで、長距離クーロン相互作用を取り入れた新しい同変MLIPを開発する。
我々は,ベンチマーク周期的および非周期的データセットの領域にわたって,我々のモデルを体系的に評価し,短距離同変および長距離不変MLIPよりもエネルギーおよび力の予測が優れていることを示した。
論文 参考訳（メタデータ） (2025-03-23T05:26:55Z) - Learning charges and long-range interactions from energies and forces [3.502816712907136]
我々は、原子電荷や電荷平衡を明示的に学習することなく、長距離静電気を捕捉するラテント・エワルド・サミエーション法を導入する。
荷電分子, イオン液体, 電解質溶液, 極性ジペプチド, 表面吸着剤, 電解質/固体界面, 固体界面など, 多様な, 困難なシステムについてLESをベンチマークした。
以上の結果から, LESは物理的部分電荷, 双極子モーメント, 四極子モーメントを効果的に推算できるとともに, 電荷を明示的に学習する手法と比較して精度が向上することが示唆された。
論文 参考訳（メタデータ） (2024-12-19T23:24:44Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - 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) - 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) - Latent Ewald summation for machine learning of long-range interactions [0.0]
本稿では,局所的な原子ディスクリプタから潜時変数を学習することにより,長距離相互作用を考慮した簡便かつ効率的な手法を提案する。
荷電および極性分子二量体、バルク水、水蒸気界面などのシステムでは、標準の短距離MLIPが非物理的予測に繋がることを示した。
長距離モデルはこれらのアーティファクトを効果的に排除し、短距離MLIPの計算コストの約2倍に過ぎなかった。
論文 参考訳（メタデータ） (2024-08-27T16:03:18Z) - 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) - 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) - A Hybrid Quantum-Classical Method for Electron-Phonon Systems [40.80274768055247]
このタイプの相関システムに適したハイブリッド量子古典アルゴリズムを開発した。
このハイブリッド法は、必要な量子ビットと量子ゲートの数を増やすことなく、任意に強い電子-フォノンカップリングに取り組む。
本手法は,半充填時のパラダイム的ハバード・ホルシュタインモデルに適用し,電荷密度波と反強磁性相の競合を正しく捉えていることを示す。
論文 参考訳（メタデータ） (2023-02-20T08:08:51Z) - Topological Josephson Junctions in the Integer Quantum Hall Regime [42.408991654684876]
チューニング可能なジョセフソン接合(TJJ)は、異常なジョセフソン効果と位相量子絶縁体応用を研究する上で望ましいプラットフォームである。
本稿では、整数量子ホール(IQH)と超伝導体の物理を組み合わせることで、頑健で静電気的に調整可能なTJJを提案する。
スケーラブルでロバストなAndreev-qubitプラットフォームへの特に関連性があり、また効率的な位相電池でもある。
論文 参考訳（メタデータ） (2022-11-04T16:45:07Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
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。