論文の概要: Transformer-Based Neural Networks Backflow for Strongly Correlated Electronic Structure

• arxiv url: http://arxiv.org/abs/2509.25720v1
• Date: Tue, 30 Sep 2025 03:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.000943
• Title: Transformer-Based Neural Networks Backflow for Strongly Correlated Electronic Structure
• Title（参考訳）: 強相関電子構造のための変圧器型ニューラルネットワークのバックフロー
• Authors: Huan Ma, Bowen Kan, Honghui Shang, Jinlong Yang,
• Abstract要約: 本稿では,Transformerアーキテクチャを用いて,ニューラルネットワークのバックフローを通じて,電子相関の複雑な文法を捉えることができることを示す。 強い相関を持つ鉄-硫黄クラスターの適用は、我々のアプローチを検証する。 その結果、トランスフォーマーベースのバックフローは、強い相関電子構造のための強力な変分アンサッツとして確立される。
• 参考スコア（独自算出の注目度）: 10.809203250926721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving the electronic Schr\"odinger equation for strongly correlated systems remains one of the grand challenges in quantum chemistry. Here we demonstrate that Transformer architectures can be adapted to capture the complex grammar of electronic correlations through neural network backflow. In this approach, electronic configurations are processed as token sequences, where attention layers learn non-local orbital correlations and token-specific neural networks map these contextual representations into backflowed orbitals. Application to strongly correlated iron-sulfur clusters validates our approach: for $\left[\mathrm{Fe}_2 \mathrm{~S}_2\left(\mathrm{SCH}_3\right)_4\right]^{2-}$ ([2Fe-2S]) (30e,20o), the ground-state energy within chemical accuracy of DMRG while predicting magnetic exchange coupling constants closer to experimental values than all compared methods including DMRG, CCSD(T), and recent neural network approaches. For $\left[\mathrm{Fe}_4 \mathrm{S}_4\left(\mathrm{SCH}_3\right)_4\right]^{2-}$ ([4Fe-4S]) (54e,36o), we match DMRG energies and accurately reproduce detailed spin-spin correlation patterns between all Fe centers. The approach scales favorably to large active spaces inaccessible to exact methods, with distributed VMC optimization enabling stable convergence. These results establish Transformer-based backflow as a powerful variational ansatz for strongly correlated electronic structure, achieving superior magnetic property predictions while maintaining chemical accuracy in total energies.
• Abstract（参考訳）: 強相関系に対する電子的シュリンガー方程式の解法は、量子化学における大きな課題の1つである。 ここでは、Transformerアーキテクチャがニューラルネットワークのバックフローを通して電子相関の複雑な文法をキャプチャするために適応できることを実証する。 このアプローチでは、電子配置はトークンシーケンスとして処理され、注意層は非局所軌道相関を学習し、トークン固有のニューラルネットワークはこれらのコンテキスト表現を逆流軌道にマッピングする。 $\left[\mathrm{Fe}_2 \mathrm{~S}_2\left(\mathrm{SCH}_3\right)_4\right]^{2-}$ ([2Fe-2S]) (30e,20o)に対して、DMRGの化学的精度における基底状態エネルギーは、DMRG、CCSD(T)、最近のニューラルネットワークアプローチを含む全ての比較手法よりも実験値に近い磁気交換結合定数を予測しながら、我々のアプローチを検証する。 $\left[\mathrm{Fe}_4 \mathrm{S}_4\left(\mathrm{SCH}_3\right)_4\right]^{2-}$ ([4Fe-4S]) (54e,36o) の場合、DMRGエネルギーと一致し、すべてのFe中心間の詳細なスピンスピン相関パターンを正確に再現する。 このアプローチは、安定した収束を可能にする分散VMC最適化によって、正確なメソッドに到達できない大きなアクティブな空間に好適にスケールする。 これらの結果はトランスフォーマーベースのバックフローを強相関電子構造のための強力な変分アンサッツとして確立し、全エネルギーの化学的精度を維持しながら優れた磁気特性予測を実現した。

関連論文リスト

• Computing Exchange Coupling constants in Transition metal complexes with Tensor Product Selected Configuration Interaction [0.0]
  遷移金属錯体は電子構造理論にとって重要な課題である。 最近開発した製品選択構成相互作用 (TPSCI) と密度行列再正規化群 (DMRG) を比較し, 6つの遷移金属系における交換結合定数の計算を行った。 主な利点は、統計誤差を小さくした直接J補間を可能にする自然多状態能力と、挑戦するシステムに対する計算効率である。
  論文  参考訳（メタデータ） (2025-08-18T15:23:53Z)
• Efficient Prediction of SO(3)-Equivariant Hamiltonian Matrices via SO(2) Local Frames [59.87385171177885]
  我々は、電子構造計算を高速化するためにハミルトン行列を予測することを考える。 ハミルトン行列の対角線外ブロックとSO(2)局所フレームの関係から、QHNetV2を提案する。
  論文  参考訳（メタデータ） (2025-06-11T05:04:29Z)
• 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)
• 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)
• Simple Fermionic backflow states via a systematically improvable tensor decomposition [0.0]
  相関電子の波動関数に対して,機械学習のパラメータ化とテンソル階数分解の場を近づける効果的なアンザッツを提案する。 CANDECOMP/PARAFAC (CP) Tenor Factorization of a general backflow transformation in second Quantization for a simple, compact and systematically improvable Fermionic state。
  論文  参考訳（メタデータ） (2024-07-16T14:37:20Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Simulating Spin-Orbit Coupling With Quasidegenerate N-Electron Valence Perturbation Theory [77.34726150561087]
  本稿では,SO-QDNEVPT2におけるスピン軌道結合効果の最初の実装について述べる。 これらの方法の精度は、14および16の水素化物、3dおよび4d遷移金属イオン、および2つのアクチニド二酸化物に対して試験される。
  論文  参考訳（メタデータ） (2022-11-11T20:03:37Z)
• Spin Current Density Functional Theory of the Quantum Spin-Hall Phase [59.50307752165016]
  スピン電流密度汎関数理論を量子スピンハル相に適用する。 我々は、SCDFTの電子-電子ポテンシャルにおけるスピン電流の明示的な説明が、ディラックコーンの出現の鍵であることを示す。
  論文  参考訳（メタデータ） (2022-08-29T20:46:26Z)
• Wave function Ansatz (but Periodic) Networks and the Homogeneous Electron Gas [1.7944372791281356]
  均一電子ガスの基底状態波動関数を変動的に検出するニューラルネットワークAnsatzを設計する。 7,14,19電子のスピン偏極相と常磁性相を幅広い密度で研究した。 この貢献により、ニューラルネットワークモデルは、周期的な電子システムに対して、柔軟で高精度なAns"atzeとして確立される。
  論文  参考訳（メタデータ） (2022-02-02T14:12:49Z)

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。