Fugu-MT 論文翻訳(概要): Learning from the electronic structure of molecules across the periodic table

論文の概要: Learning from the electronic structure of molecules across the periodic table

arxiv url: http://arxiv.org/abs/2510.00224v1
Date: Tue, 30 Sep 2025 19:50:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-03 16:59:20.230022
Title: Learning from the electronic structure of molecules across the periodic table
Title（参考訳）: 周期表上の分子の電子構造から学ぶ
Authors: Manasa Kaniselvan, Benjamin Kurt Miller, Meng Gao, Juno Nam, Daniel S. Levine,
Abstract要約: 機械学習型原子間ポテンシャル(MLIP)は、力とエネルギーを学ぶために大量の原子構造データを必要とする。我々は、原子レベル特性のトレーニングパイプラインに向けて、軌道相互作用データをHに組み込むためのレシピを提供する。
参考スコア（独自算出の注目度）: 5.587550586452765
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine-Learned Interatomic Potentials (MLIPs) require vast amounts of atomic structure data to learn forces and energies, and their performance continues to improve with training set size. Meanwhile, the even greater quantities of accompanying data in the Hamiltonian matrix H behind these datasets has so far gone unused for this purpose. Here, we provide a recipe for integrating the orbital interaction data within H towards training pipelines for atomic-level properties. We first introduce HELM ("Hamiltonian-trained Electronic-structure Learning for Molecules"), a state-of-the-art Hamiltonian prediction model which bridges the gap between Hamiltonian prediction and universal MLIPs by scaling to H of structures with 100+ atoms, high elemental diversity, and large basis sets including diffuse functions. To accompany HELM, we release a curated Hamiltonian matrix dataset, 'OMol_CSH_58k', with unprecedented elemental diversity (58 elements), molecular size (up to 150 atoms), and basis set (def2-TZVPD). Finally, we introduce 'Hamiltonian pretraining' as a method to extract meaningful descriptors of atomic environments even from a limited number atomic structures, and repurpose this shared embedding space to improve performance on energy-prediction in low-data regimes. Our results highlight the use of electronic interactions as a rich and transferable data source for representing chemical space.
Abstract（参考訳）: 機械学習型原子間ポテンシャル(MLIP)は、力とエネルギーを学ぶために大量の原子構造データを必要とし、その性能はトレーニングセットのサイズによって改善され続けている。一方、これらのデータセットの背後にあるハミルトン行列Hの付随するデータはさらに多く、この目的のために使われていない。ここでは、原子レベル特性のトレーニングパイプラインに向けて、H内での軌道相互作用データを統合するためのレシピを提供する。まずHELM(Hamiltonian-trained Electronic-structure Learning for Molecules)という,100以上の原子を持つ構造のHへのスケーリング,高次多様性,拡散関数を含む大きな基底集合によるハミルトン予測と普遍MLIPのギャップを埋める,最先端のハミルトン予測モデルを紹介した。 HELMに付随するため、前例のない元素多様性(58元素)、分子サイズ(最大150原子)、基底集合(def2-TZVPD)を持つハミルトン行列データセット「OMol_CSH_58k」を作成した。最後に、有限個の原子構造から原子環境の有意義な記述子を抽出する手法として「ハミルトニアン事前学習」を導入し、この共有埋め込み空間を低データ状態におけるエネルギー予測性能を向上させるために再利用する。本結果は,電子相互作用を化学空間を表現するためのリッチで転送可能なデータソースとして利用することを強調した。

論文の概要: Learning from the electronic structure of molecules across the periodic table

関連論文リスト