論文の概要: Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning
- arxiv url: http://arxiv.org/abs/2602.03438v1
- Date: Tue, 03 Feb 2026 12:01:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.432805
- Title: Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning
- Title（参考訳）: Atomistic NEGFの高速化:アルゴリズム、並列化、機械学習
- Authors: Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas,
- Abstract要約: 非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。
本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
- 参考スコア（独自算出の注目度）: 61.12861060232382
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Non-equilibrium Green's function (NEGF) formalism is a particularly powerful method to simulate the quantum transport properties of nanoscale devices such as transistors, photo-diodes, or memory cells, in the ballistic limit of transport or in the presence of various scattering sources such as electronphonon, electron-photon, or even electron-electron interactions. The inclusion of all these mechanisms has been first demonstrated in small systems, composed of a few atoms, before being scaled up to larger structures made of thousands of atoms. Also, the accuracy of the models has kept improving, from empirical to fully ab-initio ones, e.g., density functional theory (DFT). This paper summarizes key (algorithmic) achievements that have allowed us to bring DFT+NEGF simulations closer to the dimensions and functionality of realistic systems. The possibility of leveraging graph neural networks and machine learning to speed up ab-initio device simulations is discussed as well.
- Abstract（参考訳）: 非平衡グリーン関数(英: Non-equilibrium Green's function、NEGF)は、トランジスタ、フォトダイオード、メモリセルなどのナノスケールデバイスの、輸送の弾道的限界や、電子フォノン、電子-光子、電子-電子相互作用のような様々な散乱源の存在下での量子輸送特性をシミュレートする、特に強力な方法である。
これらの機構は、最初は数個の原子からなる小さな系で実証され、その後数千個の原子からなる大きな構造に拡大された。
また、モデルの精度は、経験的なものから完全なab-initioのもの、例えば密度汎関数理論(DFT)まで改善され続けている。
本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
グラフニューラルネットワークと機械学習を利用してアブ初期デバイスシミュレーションを高速化する可能性についても論じる。
関連論文リスト
- Leveraging Machine Learning Force Fields (MLFFs) to Simulate Large Atomistic Systems for Fidelity Improvement of Superconducting Qubits and Sensors [0.4004137288725767]
量子ATKは超伝導体と絶縁体の間の界面を計算するためのツールである。
この論文は、原子間密結合モデルから電子-電子相互作用が単一粒子エネルギーレベルにどのように付加され、現実的な二重量子ドット系を記述するかを示す。
論文 参考訳（メタデータ） (2025-09-15T23:19:56Z) - 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) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Single-particle-exact density functional theory [0.0]
1pEx-DFT (Single- Particle-exact density functional theory) は、エネルギーに対する全ての単一粒子の正確な機能的寄与を表す。
量子多体系の単一粒子状態の「参加数」から密度行列を構成するための2つの新しいスキームを利用して相互作用エネルギー汎関数をパラメータ化する。
論文 参考訳（メタデータ） (2023-05-05T01:24:21Z) - 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) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - 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。