論文の概要: Towards A Universally Transferable Acceleration Method for Density Functional Theory

• arxiv url: http://arxiv.org/abs/2509.25724v1
• Date: Tue, 30 Sep 2025 03:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.411402
• Title: Towards A Universally Transferable Acceleration Method for Density Functional Theory
• Title（参考訳）: 密度汎関数理論のための普遍移動可能加速度法に向けて
• Authors: Zhe Liu, Yuyan Ni, Zhichen Pu, Qiming Sun, Siyuan Liu, Wen Yan,
• Abstract要約: 本稿では,電子密度をコンパクトな補助基底表現で予測することにより,DFTの初期推定を構成する手法を提案する。 我々のモデルは、60原子までの系における平均33.3%の自己一貫性のフィールドステップ還元を達成することができ、ハミルトン中心のモデルとDM中心のモデルを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 10.006297397920354
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, sophisticated deep learning-based approaches have been developed for generating efficient initial guesses to accelerate the convergence of density functional theory (DFT) calculations. While the actual initial guesses are often density matrices (DM), quantities that can convert into density matrices also qualify as alternative forms of initial guesses. Hence, existing works mostly rely on the prediction of the Hamiltonian matrix for obtaining high-quality initial guesses. However, the Hamiltonian matrix is both numerically difficult to predict and intrinsically non-transferable, hindering the application of such models in real scenarios. In light of this, we propose a method that constructs DFT initial guesses by predicting the electron density in a compact auxiliary basis representation using E(3)-equivariant neural networks. Trained on small molecules with up to 20 atoms, our model is able to achieve an average 33.3% self-consistent field (SCF) step reduction on systems up to 60 atoms, substantially outperforming Hamiltonian-centric and DM-centric models. Critically, this acceleration remains nearly constant with increasing system sizes and exhibits strong transferring behaviors across orbital basis sets and exchange-correlation (XC) functionals. To the best of our knowledge, this work represents the first and robust candidate for a universally transferable DFT acceleration method. We are also releasing the SCFbench dataset and its accompanying code to facilitate future research in this promising direction.
• Abstract（参考訳）: 近年、密度汎関数理論(DFT)計算の収束を加速するために、効率的な初期推定を生成するための高度なディープラーニングベースのアプローチが開発されている。 実際の初期推定は、しばしば密度行列(DM)であるが、密度行列に変換する量もまた、初期推定の代替形式である。 したがって、既存の研究は主に高品質な初期予想を得るためにハミルトン行列の予測に依存している。 しかし、ハミルトン行列は数値的に予測が困難であり、本質的には非伝達可能であり、実際のシナリオにおけるそのようなモデルの適用を妨げる。 そこで本研究では,E(3)-同変ニューラルネットワークを用いたコンパクトな補助基底表現において,電子密度を予測してDFTの初期推定を構築する手法を提案する。 最大20個の原子を持つ小さな分子で訓練された我々のモデルは、60個の原子までの系における平均33.3%の自己整合体(SCF)のステップ還元を達成することができ、ハミルトン中心モデルとDM中心モデルを大幅に上回っている。 臨界的に、この加速は系のサイズが増大するにつれてほぼ一定であり、軌道基底集合と交換相関(XC)関数間の強い伝達挙動を示す。 我々の知る限り、この研究は、普遍的に転送可能なDFT加速法の最初の、かつ堅牢な候補である。 また、SCFbenchデータセットとその付随するコードもリリースして、この有望な方向への今後の研究を促進しています。

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)
• Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems [11.085215676429858]
  我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。 その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-26T15:36:25Z)
• 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)
• 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)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Third quantization of open quantum systems: new dissipative symmetries and connections to phase-space and Keldysh field theory formulations [77.34726150561087]
  3つの方法全てを明示的に接続する方法で第3量子化の手法を再構成する。 まず、我々の定式化は、すべての二次ボゾンあるいはフェルミオンリンドブラディアンに存在する基本散逸対称性を明らかにする。 ボソンに対して、ウィグナー関数と特徴関数は密度行列の「波動関数」と考えることができる。
  論文  参考訳（メタデータ） (2023-02-27T18:56:40Z)
• NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
  密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。 機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。 本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
  論文  参考訳（メタデータ） (2022-07-20T15:29:45Z)

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。