論文の概要: Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations

• arxiv url: http://arxiv.org/abs/2508.16554v1
• Date: Fri, 22 Aug 2025 17:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.472793
• Title: Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations
• Title（参考訳）: 時間依存密度関数理論シミュレーションのための機械学習時間プロパゲータ
• Authors: Karan Shah, Attila Cangi,
• Abstract要約: 時間依存密度汎関数理論(TDDFT)は、レーザー場のような外部の時間依存摂動の下で電子力学を研究するために広く用いられる手法である。 本稿では,自己回帰型ニューラル演算子を電子密度の時間プロパゲータとして用いたリアルタイムTDDFTに基づく電子動力学シミュレーションの高速化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.28647133890966986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-dependent density functional theory (TDDFT) is a widely used method to investigate electron dynamics under external time-dependent perturbations such as laser fields. In this work, we present a novel approach to accelerate electron dynamics simulations based on real time TDDFT using autoregressive neural operators as time-propagators for the electron density. By leveraging physics-informed constraints and featurization, and high-resolution training data, our model achieves superior accuracy and computational speed compared to traditional numerical solvers. We demonstrate the effectiveness of our model on a class of one-dimensional diatomic molecules under the influence of a range of laser parameters. This method has potential in enabling real-time, on-the-fly modeling of laser-irradiated molecules and materials with varying experimental parameters.
• Abstract（参考訳）: 時間依存密度汎関数理論(TDDFT)は、レーザー場のような外部の時間依存摂動の下で電子力学を研究するために広く用いられる手法である。 本研究では,自己回帰型ニューラル演算子を電子密度の時間プロパゲータとして用いたリアルタイムTDDFTに基づく電子動力学シミュレーションの高速化手法を提案する。 物理インフォームド制約と卓越化,高分解能トレーニングデータを活用することで,従来の数値解法に比べて精度と計算速度が向上する。 本研究では,レーザーパラメータの影響下での1次元二原子分子のクラスにおけるモデルの有効性を示す。 この方法は、様々な実験パラメータを持つレーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• FlashMD: long-stride, universal prediction of molecular dynamics [4.10341947149624]
  我々は,通常のMD時間ステップよりも1～2桁長いストライド上の位置とモーメントの進化を予測する手法であるFlashMDを提案する。 システム固有モデルと汎用モデルの両方を用いて, 平衡特性と時間依存特性の再現におけるFlashMDの精度を検証した。
  論文  参考訳（メタデータ） (2025-05-25T22:34:31Z)
• Accelerating Electron Dynamics Simulations through Machine Learned Time Propagators [0.9208007322096533]
  本稿では,リアルタイムTDDFTに基づく電子動力学シミュレーションを高速化する新しい手法を提案する。 物理インフォームド制約と高分解能トレーニングデータを活用することにより,精度と計算速度が向上する。 この方法は、レーザー照射された分子や材料のリアルタイム・オンザフライモデリングを可能にする可能性がある。
  論文  参考訳（メタデータ） (2024-07-12T18:29:48Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• 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)
• Forecasting the outcome of spintronic experiments with Neural Ordinary Differential Equations [4.154570557236527]
  極小量のデータに基づいてトレーニングされた動的ニューラルネットワークは、スピントロニクスデバイスの挙動を予測することができることを示す。 スピンニューラルODEは、マイクロ磁気シミュレーションを補完するスピントロニクスアプリケーションを開発するための破壊的なツールである。
  論文  参考訳（メタデータ） (2021-07-23T16:35:41Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Learning Compact Physics-Aware Delayed Photocurrent Models Using Dynamic Mode Decomposition [1.933681537640272]
  半導体デバイスにおける放射誘起光電流は、複雑な物理モデルを用いてシミュレートすることができる。 複数の個別回路要素の詳細なモデルを評価することは、計算上不可能である。 本稿では,大規模回路シミュレーションで実装可能な小型遅延光電流モデルの学習手順を示す。
  論文  参考訳（メタデータ） (2020-08-27T18:21:46Z)

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。