論文の概要: Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials

• arxiv url: http://arxiv.org/abs/2509.19877v2
• Date: Thu, 25 Sep 2025 08:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 12:02:33.943093
• Title: Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials
• Title（参考訳）: 電子構造ハミルトニアン予測のための普遍的深層学習の促進
• Authors: Shi Yin, Zujian Dai, Xinyang Pan, Lixin He,
• Abstract要約: 我々は、ハミルトン予測のための普遍的な深層学習パラダイムを進化させるために、方法論とデータセットの双方に貢献する。 NextHAMは、効率的で一般化可能な電子構造ハミルトニアン予測のためのニューラルネットワークE(3)対称性および表現的補正法である。 Materials-HAM-SOCの実験結果から、NextHAMはハミルトニアンやバンド構造を予測するのに優れた精度と効率を達成することが示された。
• 参考スコア（独自算出の注目度）: 2.821973780014264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning methods for electronic-structure Hamiltonian prediction has offered significant computational efficiency advantages over traditional DFT methods, yet the diversity of atomic types, structural patterns, and the high-dimensional complexity of Hamiltonians pose substantial challenges to the generalization performance. In this work, we contribute on both the methodology and dataset sides to advance universal deep learning paradigm for Hamiltonian prediction. On the method side, we propose NextHAM, a neural E(3)-symmetry and expressive correction method for efficient and generalizable materials electronic-structure Hamiltonian prediction. First, we introduce the zeroth-step Hamiltonians, which can be efficiently constructed by the initial charge density of DFT, as informative descriptors of neural regression model in the input level and initial estimates of the target Hamiltonian in the output level, so that the regression model directly predicts the correction terms to the target ground truths, thereby significantly simplifying the input-output mapping for learning. Second, we present a neural Transformer architecture with strict E(3)-Symmetry and high non-linear expressiveness for Hamiltonian prediction. Third, we propose a novel training objective to ensure the accuracy performance of Hamiltonians in both real space and reciprocal space, preventing error amplification and the occurrence of "ghost states" caused by the large condition number of the overlap matrix. On the dataset side, we curate a high-quality broad-coverage large benchmark, namely Materials-HAM-SOC, comprising 17,000 material structures spanning 68 elements from six rows of the periodic table and explicitly incorporating SOC effects. Experimental results on Materials-HAM-SOC demonstrate that NextHAM achieves excellent accuracy and efficiency in predicting Hamiltonians and band structures.
• Abstract（参考訳）: 電子構造予測のための深層学習法は、従来のDFT法よりも計算効率が優れているが、原子型の多様性、構造パターン、ハミルトンの高次元複雑さは一般化性能に重大な課題をもたらす。 本研究では,ハミルトニアン予測のための普遍的深層学習パラダイムを推し進めるために,方法論とデータセットの両面に貢献する。 提案手法では,電子構造ハミルトニアン予測を効率よく,一般化可能な材料に対するニューラルE(3)対称性および表現的補正法であるNextHAMを提案する。 まず,DFTの初期電荷密度によって効率よく構築できるゼロステップハミルトニアンを,入力レベルのニューラル回帰モデルの情報記述子と出力レベルのターゲットハミルトニアンの初期推定子として導入する。 第二に、ハミルトン予測のための厳密なE(3)-Symmetryと高非線形表現性を備えたニューラルトランスフォーマーアーキテクチャを提案する。 第3に,重なり行列の大きな条件数に起因する誤り増幅や「ゴースト状態」の発生を防止し,実空間と相互空間の両方におけるハミルトニアンの精度性能を確保するための新たな訓練目標を提案する。 データセット側では、周期表の6行から68要素にまたがる17,000の材料構造と、SOC効果を明示的に取り入れた高品質な広範囲ベンチマーク、すなわちMaterial-HAM-SOCをキュレートする。 Materials-HAM-SOCの実験結果から、NextHAMはハミルトニアンやバンド構造を予測するのに優れた精度と効率を達成することが示された。

関連論文リスト

• High-order Equivariant Flow Matching for Density Functional Theory Hamiltonian Prediction [14.957565545353942]
  深層学習の手法は ハミルトン人を直接予測することで このステップをバイパスする方法として 注目を集めています 分子幾何学に基づくハミルトン行列を生成する高次同変フローマッチングフレームワークQHFlowを提案する。 フローマッチングモデルは単純な先行点と複雑な対象点の間の連続時間軌道をモデル化し、直接回帰ではなくハミルトン分布上の構造的分布を学習する。
  論文  参考訳（メタデータ） (2025-05-24T18:23:28Z)
• Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models [30.746062388701187]
  本稿では,統合ニューラルネットワークアーキテクチャ,Deep Equilibrium Density Functional Theory Hamiltonian (DEQH)モデルを紹介する。 DEQHモデルは本質的にハミルトニアンの自己整合性の性質を捉えている。 本稿では,DECと既製の機械学習モデルを組み合わせた多目的フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:05:58Z)
• Self-Consistency Training for Density-Functional-Theory Hamiltonian Prediction [74.84850523400873]
  ハミルトン予測は自己整合性理論を持ち,自己整合性トレーニングを提案する。 これにより、大量のラベルのないデータでモデルをトレーニングできるため、データの不足に対処できる。 一連のクエリに対してDFT計算を補正するため、教師付きトレーニングのためのラベルを生成するのにDFTを実行するより効率的である。
  論文  参考訳（メタデータ） (2024-03-14T16:52:57Z)
• Harmonizing SO(3)-Equivariance with Neural Expressiveness: a Hybrid Deep Learning Framework Oriented to the Prediction of Electronic Structure Hamiltonian [36.13416266854978]
  HarmoSEは、ディープラーニングのための2段階のケースケード回帰フレームワークである。 第1段階は、豊富なSO(3)-同変の特徴を抽出したハミルトニアンを予測する。 第2段階はハミルトニアンの詳細な予測として第1段階の出力を洗練させる。
  論文  参考訳（メタデータ） (2024-01-01T12:57:15Z)
• Active learning of effective Hamiltonian for super-large-scale atomic structures [7.990872447057747]
  第一原理に基づく実効ハミルトニアンスキームは、大規模構造に対する最も正確なモデリング手法の1つである。 実効ハミルトニアンの一般的な形式を提案し、実効ハミルトニアンをパラメータ化するための能動的機械学習手法を開発する。 この機械学習アプローチは、考慮された複雑なシステムに対して効果的なハミルトンパラメータを計算する普遍的で自動的な方法を提供する。
  論文  参考訳（メタデータ） (2023-07-18T02:28:48Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision [73.26414295633846]
  最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。 既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。 我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
  論文  参考訳（メタデータ） (2021-11-10T23:26:58Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。