論文の概要: Efficient Equivariant High-Order Crystal Tensor Prediction via Cartesian Local-Environment Many-Body Coupling

• arxiv url: http://arxiv.org/abs/2602.04323v1
• Date: Wed, 04 Feb 2026 08:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.437296
• Title: Efficient Equivariant High-Order Crystal Tensor Prediction via Cartesian Local-Environment Many-Body Coupling
• Title（参考訳）: 局所環境多体結合による効率的な等変高次結晶テンソル予測
• Authors: Dian Jin, Yancheng Yuan, Xiaoming Tao,
• Abstract要約: CEITNetは、各原子に対して多チャンネルのカルテシアン環境を構築し、柔軟な多体混合を行うアプローチである。 CEITNetは、高い計算効率を提供しながら、キー精度の基準で事前の高次予測手法を超越している。
• 参考スコア（独自算出の注目度）: 17.452647514694004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: End-to-end prediction of high-order crystal tensor properties from atomic structures remains challenging: while spherical-harmonic equivariant models are expressive, their Clebsch-Gordan tensor products incur substantial compute and memory costs for higher-order targets. We propose the Cartesian Environment Interaction Tensor Network (CEITNet), an approach that constructs a multi-channel Cartesian local environment tensor for each atom and performs flexible many-body mixing via a learnable channel-space interaction. By performing learning in channel space and using Cartesian tensor bases to assemble equivariant outputs, CEITNet enables efficient construction of high-order tensor. Across benchmark datasets for order-2 dielectric, order-3 piezoelectric, and order-4 elastic tensor prediction, CEITNet surpasses prior high-order prediction methods on key accuracy criteria while offering high computational efficiency.
• Abstract（参考訳）: 球-高調波同変モデルは表現可能であるが、それらのクレブシュ・ゴルダンテンソル積は高次ターゲットに対して相当な計算とメモリコストを発生させる。 本稿では,各原子に対する多チャンネル局所環境テンソルの構築と,学習可能なチャネル空間相互作用によるフレキシブルな多体混合を行う,CITNet(Cartesian Environment Interaction Tensor Network)を提案する。 チャネル空間で学習を行い、カルトテンソルベースを用いて同変出力をアセンブルすることにより、CEITNetは高階テンソルの効率的な構築を可能にする。 次数2誘電率,次数3圧電率,次数4の弾性テンソル予測のベンチマークデータセット全体にわたって、CEITNetは、高い計算効率を提供しながら、鍵精度基準に関する事前の高次予測手法を超越している。

関連論文リスト

• Efficient and Scalable Density Functional Theory Hamiltonian Prediction through Adaptive Sparsity [11.415146682472127]
  ハミルトン行列予測は計算化学において重要である。 SPHNetは、適応SParsityをハミルトン予測に組み込んだ、効率的でスケーラブルな同変ネットワークである。 SPHNetは最先端の精度を実現し、既存のモデルよりも最大7倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2025-02-03T09:04:47Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Error Analysis of Tensor-Train Cross Approximation [88.83467216606778]
  我々は, テンソル全体の精度保証を行う。 結果は数値実験により検証され、高次テンソルに対するクロス近似の有用性に重要な意味を持つ可能性がある。
  論文  参考訳（メタデータ） (2022-07-09T19:33:59Z)
• 2D+3D facial expression recognition via embedded tensor manifold regularization [16.98176664818354]
  2D+3次元表情認識(FERETMR)のための埋め込みテンソル多様体正規化による新しい手法を提案する。 定常点の観点から一階最適条件を確立し、収束解析によるブロック座標降下(BCD)アルゴリズムを設計する。 BU-3DFEデータベースとBosphorusデータベースの数値計算結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-01-29T06:11:00Z)
• Edge-based Tensor prediction via graph neural networks [6.021787236982659]
  メッセージパッシングニューラルネットワーク(MPNN)は、分子や結晶の物理的特性を予測する上で、極めて高い効率と精度を示す。 現在、結晶のテンソル特性を直接予測するための一般的なMPNNフレームワークが欠如している。 本研究では, エッジベーステンソル予測グラフニューラルネットワーク(ETGNN)モデルを不変グラフニューラルネットワークに基づいて直接設計し, テンソルの予測を行う。
  論文  参考訳（メタデータ） (2022-01-15T06:43:15Z)
• Optimal radial basis for density-based atomic representations [58.720142291102135]
  データセットの構造的多様性を最も効率的に表現するために選択される適応的で最適な数値ベースを構築する方法について議論します。 トレーニングデータセットごとに、この最適なベースはユニークで、プリミティブベースに関して追加のコストなしで計算することができる。 この構成が精度と計算効率のよい表現をもたらすことを実証する。
  論文  参考訳（メタデータ） (2021-05-18T17:57:08Z)
• Tensor-Train Networks for Learning Predictive Modeling of Multidimensional Data [0.0]
  有望な戦略は、物理的および化学的用途で非常に成功したテンソルネットワークに基づいています。 本研究では, 多次元回帰モデルの重みをテンソルネットワークを用いて学習し, 強力なコンパクト表現を実現することを示した。 TT形式の重みを計算力の低減で近似するための最小二乗を交互に行うアルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2021-01-22T16:14:38Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。