論文の概要: Excitation energies and UV-Vis absorption spectra from INDO/s+ML

• arxiv url: http://arxiv.org/abs/2512.10397v1
• Date: Thu, 11 Dec 2025 08:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.265595
• Title: Excitation energies and UV-Vis absorption spectra from INDO/s+ML
• Title（参考訳）: INDO/s+MLからの励起エネルギーと紫外線吸収スペクトル
• Authors: Ezekiel Oyeniyi, Omololu Akin-Ojo,
• Abstract要約: InDO/sの結果を補正する機械学習モデルを提案する。 INDO/s励起エネルギーはTDDFTエネルギーと比較して平均1.1eVの誤差を持つが、追加のML補正は誤差を0.2eVに減少させる。 INDO/sとMLの組み合わせは、TDDFT予測とよく一致する紫外線吸収スペクトルを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The semi-empirical INDO/s method is popular for studies of excitation energies and absorption of molecules due to its low computational requirement, making it possible to make predictions for large systems. However, its accuracy is generally low, particularly, when compared with the typical accuracy of other methods such as time-dependent density functional theory (TDDFT). Here, we present machine learning (ML) models that correct the INDO/s results with negligible increases in the amount of computing resources needed. While INDO/s excitations energies have an average error of about 1.1 eV relative to TDDFT energies, the added ML corrections reduce the error to 0.2 eV. Furthermore, this combination of INDO/s and ML produces UV-Vis absorption spectra that are in good agreement with the TDDFT predictions.
• Abstract（参考訳）: 半経験的INDO/s法は、その計算要求が低いため、励起エネルギーと分子の吸収の研究に人気があり、大規模システムに対する予測が可能である。 しかし、その精度は一般に低く、特に時間依存密度汎関数理論(TDDFT)のような他の手法の典型的な精度と比較すると低い。 本稿では,INDO/s結果の補正を行う機械学習(ML)モデルを提案する。 INDO/s励起エネルギーはTDDFTエネルギーと比較して平均誤差は約1.1 eVであるが、追加のML補正により誤差は0.2 eVに減少する。 さらに、この INDO/s と ML の組み合わせは、TDDFT 予測とよく一致する UV-Vis 吸収スペクトルを生成する。

関連論文リスト

• From Regression to Classification: Exploring the Benefits of Categorical Representations of Energy in MLIPs [1.0998907972211756]
  密度汎関数理論 (DFT) は分子のエネルギーと挙動を推定するための広く用いられる計算法である。 機械学習原子間ポテンシャル(MLIPs)は、DFTレベルのエネルギーと力を劇的に低い計算コストで近似するよう訓練されたモデルである。 本研究では,エネルギー/力の値に対するカテゴリー分布を予測する多クラス分類の定式化について検討する。
  論文  参考訳（メタデータ） (2025-12-01T00:36:42Z)
• An accurate DFT-1/2 approach for shallow defect states: Efficient calculation of donor binding energies in silicon [0.0]
  DFT-1/2近似準粒子補正に基づく浅層ドナーの簡易かつ実用的なプロトコルを提案する。 このアプローチは、最小の計算オーバーヘッドで信頼性の高いドナー結合エネルギーを提供する。 Si, Si:X (X=P, As, Sb, Bi) の群-Vドナーに適用され、実験と密接に一致して結合エネルギーが得られる。
  論文  参考訳（メタデータ） (2025-08-20T14:37:19Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Electron-Affinity Time-Dependent Density Functional Theory: Formalism and Applications to Core-Excited States [0.0]
  粒子-ホール相互作用問題は時間依存密度汎関数理論の中で長く続いている。 我々は、n-1電子系の最適化軌道を基準として、線形応答形式を導出する。 我々のアプローチは、静的交換近似の正確な一般化であり、TDDFT XASの誤差を桁違いに削減する。
  論文  参考訳（メタデータ） (2022-05-17T23:05:15Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Excitation Energies from Thermally-Assisted-Occupation Density Functional Theory: Theory and Computational Implementation [0.0]
  我々は、励起状態に対する時間依存線形応答理論である時間依存(TD)TAO-DFTを開発する。 TDTAO-DFT はまた、接地一重項 (11Sigma_g+$) と最初の三重項状態 (13Sigma_u+$) に対して、解離限界における一重項-三重項ギャップをゼロにする。
  論文  参考訳（メタデータ） (2020-07-15T10:12:59Z)
• Training Deep Energy-Based Models with f-Divergence Minimization [113.97274898282343]
  深部エネルギーベースモデル(EBM)は分布パラメトリゼーションにおいて非常に柔軟であるが、計算的に困難である。 所望のf偏差を用いてEMMを訓練するための、f-EBMと呼ばれる一般的な変分フレームワークを提案する。 実験の結果,F-EBMは対照的なばらつきよりも優れており,KL以外のf-divergencesを用いたEBMの訓練の利点も示された。
  論文  参考訳（メタデータ） (2020-03-06T23:11:13Z)

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。