論文の概要: Constrained Random Phase Approximation: the spectral method
- arxiv url: http://arxiv.org/abs/2508.15368v1
- Date: Thu, 21 Aug 2025 08:51:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:46.247071
- Title: Constrained Random Phase Approximation: the spectral method
- Title（参考訳）: 制約ランダム位相近似:スペクトル法
- Authors: Merzuk Kaltak, Alexander Hampel, Martin Schlipf, Indukuru Ramesh Reddy, Bongae Kim, Georg Kresse,
- Abstract要約: スペクトルcRPA(s-cRPA)と呼ばれる新しい制約付きランダム位相近似(cRPA)法を提案する。
3d殻充填量の変化により,ScandiumおよびCuのcRPA法と比較した。
S-cRPAは、常に大きなHubbard$U$インタラクション値を得る。
- 参考スコア（独自算出の注目度）: 37.69303106863453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new constrained Random Phase Approximation (cRPA) method, termed spectral cRPA (s-cRPA), and compare it to established cRPA approaches for Scandium and Copper by varying the 3d shell filling. The s-cRPA consistently yields larger Hubbard $U$ interaction values. Applied to the realistic system CaFeO$_3$, s-cRPA produces interaction parameters significantly closer to those required within DFT+$U$ to induce the experimentally observed insulating state, overcoming the metallic behavior predicted by standard density functionals. We also address the issue of negative interaction values found in the projector cRPA method for filled d-shells, demonstrating that s-cRPA offers superior numerical stability through electron conversion. Overall, s-cRPA is more robust and effectively overcomes the known underestimation of $U$ in standard cRPA, making it a promising tool for the community. Additionally, we have enhanced our implementation with features for computing multi-center interactions to analyze spatial decay and developed a low-scaling variant with a compressed Matsubara grid to efficiently obtain full frequency-dependent interactions.
- Abstract（参考訳）: 我々は, スペクトルcRPA (s-cRPA) と呼ばれる新しい制約付きランダム位相近似 (cRPA) 法を提案する。
s-cRPAは、常に大きなHubbard$U$インタラクション値を生成する。
現実的な系 CaFeO$_3$ に適用すると、s-cRPA は標準密度汎関数によって予測される金属的挙動を克服し、実験的に観察された絶縁状態を誘導するために DFT+$U$ で必要とされるものよりもはるかに近い相互作用パラメータを生成する。
また,d殻のプロジェクタcRPA法における負の相互作用値の問題にも対処し,s-cRPAが電子変換による数値安定性に優れることを示した。
全体として、s-cRPAはより堅牢で、標準cRPAの$U$という既知の過小評価を効果的に克服しているため、コミュニティにとって有望なツールである。
さらに,空間減衰を解析するためのマルチセンター相互作用の計算機能により実装を強化し,圧縮松原格子を用いた低スケーリング変種を開発し,全周波数依存の相互作用を効率よく得られるようにした。
関連論文リスト
- More entropy from shorter experiments using polytope approximations to the quantum set [0.0]
本稿では,様々なデバイス非依存の量子乱数生成(DI-QRNG)プロトコルにおいて,量子集合に対するポリトープ近似を体系的に構築する手法を提案する。
提案手法は,初期ポリトープ近似を反復的に洗練する2つの汎用暗号アルゴリズムに依存する。
有限サイズ系における証明エントロピー境界を著しく改善した。
論文 参考訳（メタデータ） (2025-06-11T09:37:56Z) - 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) - Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。
最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。
我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文 参考訳（メタデータ） (2024-04-19T06:24:22Z) - Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。
解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文 参考訳（メタデータ） (2024-03-11T09:10:37Z) - Efficiently Escaping Saddle Points for Non-Convex Policy Optimization [40.0986936439803]
政策勾配(PG)は、拡張性と優れた性能のために強化学習に広く用いられている。
本稿では,ヘッセンベクトル積 (HVP) の形で二階情報を用いた分散還元二階法を提案し,サンプルの複雑さを$tildeO(epsilon-3)$とする近似二階定常点 (SOSP) に収束する。
論文 参考訳（メタデータ） (2023-11-15T12:36:45Z) - Simulating excited states of the Lipkin model on a quantum computer [0.0]
精度は、量子ビット符号化に対するフェルミオンに強く依存していることを示す。
我々はIBM量子マシンを用いて、N=2, 3$および4$の粒子のエネルギースペクトルを計算する。
論文 参考訳（メタデータ） (2022-03-03T01:43:12Z) - On Reward-Free RL with Kernel and Neural Function Approximations:
Single-Agent MDP and Markov Game [140.19656665344917]
エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。
関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。
我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
論文 参考訳（メタデータ） (2021-10-19T07:26:33Z) - Reinforcement Learning with General Value Function Approximation:
Provably Efficient Approach via Bounded Eluder Dimension [124.7752517531109]
一般値関数近似を用いた効率の良い強化学習アルゴリズムを確立する。
我々のアルゴリズムは、$d$が複雑性測度である場合、$widetildeO(mathrmpoly(dH)sqrtT)$の後悔の限界を達成することを示す。
我々の理論は線形値関数近似によるRLの最近の進歩を一般化し、環境モデルに対する明示的な仮定をしない。
論文 参考訳（メタデータ） (2020-05-21T17:36:09Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-01T17:47:03Z)
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。