論文の概要: Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions

• arxiv url: http://arxiv.org/abs/2602.20232v1
• Date: Mon, 23 Feb 2026 18:54:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.48279
• Title: Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions
• Title（参考訳）: Coupled Cluster con MōLe: ニューラルウェーブ関数の分子軌道学習
• Authors: Luca Thiede, Abdulrahman Aldossary, Andreas Burger, Jorge Arturo Campos-Gonzalez-Angulo, Ning Wang, Alexander Zook, Melisa Alkan, Kouhei Nakaji, Taylor Lee Patti, Jérôme Florian Gonthier, Mohammad Ghazi Vakili, Alán Aspuru-Guzik,
• Abstract要約: 密度汎関数理論(DFT)は、分子特性を計算するために最も広く用いられる方法である。 結合クラスタ理論(CC理論)は、DFTを超える精度を達成するための最も成功した方法である。 本稿では,CCの中核となる数学的対象を直接予測する同変機械学習モデルであるMLeアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 34.53033480184221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Density functional theory (DFT) is the most widely used method for calculating molecular properties; however, its accuracy is often insufficient for quantitative predictions. Coupled-cluster (CC) theory is the most successful method for achieving accuracy beyond DFT and for predicting properties that closely align with experiment. It is known as the ''gold standard'' of quantum chemistry. Unfortunately, the high computational cost of CC limits its widespread applicability. In this work, we present the Molecular Orbital Learning (MōLe) architecture, an equivariant machine learning model that directly predicts CC's core mathematical objects, the excitation amplitudes, from the mean-field Hartree-Fock molecular orbitals as inputs. We test various aspects of our model and demonstrate its remarkable data efficiency and out-of-distribution generalization to larger molecules and off-equilibrium geometries, despite being trained only on small equilibrium geometries. Finally, we also examine its ability to reduce the number of cycles required to converge CC calculations. MōLe can set the foundations for high-accuracy wavefunction-based ML architectures to accelerate molecular design and complement force-field approaches.
• Abstract（参考訳）: 密度汎関数理論(DFT)は分子特性を計算するために最も広く用いられる手法であるが、その精度は定量的な予測には不十分であることが多い。 結合クラスタ理論(CC理論)は、DFTを超える精度を達成し、実験と密接に一致した特性を予測する最も成功した方法である。 量子化学の「金の標準」として知られている。 残念ながら、CCの計算コストが高いため、適用範囲は限られている。 本研究では,CCの中核数学的対象である励起振幅を直接予測する同変機械学習モデルである分子軌道学習(MōLe)アーキテクチャを,平均場Hartree-Fock分子軌道から入力として提示する。 我々は,このモデルの様々な側面を検証し,その卓越したデータ効率と,より大きな分子や非平衡なジオメトリへの分布の一般化を,小さな平衡ジオメトリにのみ訓練されているにもかかわらず示す。 最後に,CC計算の収束に必要なサイクル数を削減する能力についても検討する。 MōLeは、分子設計を加速し、力場アプローチを補完するために、高精度な波動関数ベースのMLアーキテクチャの基礎を設定することができる。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• 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)
• Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy [9.81014501502049]
  金標準CCSD(T)計算をトレーニングデータとして,有機分子の電子構造を統一した機械学習手法を開発した。 炭化水素分子を用いたモデルでは, 計算コストと様々な量子化学特性の予測精度において, 広範に用いられているハイブリッド関数と二重ハイブリッド関数でDFTより優れていた。
  論文  参考訳（メタデータ） (2024-05-09T19:51:27Z)
• Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning [46.08497356503155]
  軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。 本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
  論文  参考訳（メタデータ） (2023-09-28T16:33:36Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• On the equivalence of molecular graph convolution and molecular wave function with poor basis set [7.106986689736826]
  量子物理学に基づく機械学習モデルである量子深度場(QDF)について述べる。 分子エネルギー予測タスクでは、外挿の可能性を実証し、小さな分子でQDFモデルを訓練し、大きな分子でテストし、高い性能を実現した。
  論文  参考訳（メタデータ） (2020-11-16T13:20:35Z)

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。