論文の概要: Graph neural network force fields for adiabatic dynamics of lattice Hamiltonians

• arxiv url: http://arxiv.org/abs/2603.02039v1
• Date: Mon, 02 Mar 2026 16:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.969652
• Title: Graph neural network force fields for adiabatic dynamics of lattice Hamiltonians
• Title（参考訳）: 格子ハミルトンの断熱力学に対するグラフニューラルネットワーク力場
• Authors: Yunhao Fan, Gia-Wei Chern,
• Abstract要約: 我々は格子ハミルトニアンの断熱力学のためのグラフニューラルネットワーク(GNN)に基づく力場フレームワークを開発する。 厳密な対角化データに基づいて、GNNは高い力の精度、システムサイズによる厳密な線形スケーリング、および大きな格子への直接性を達成する。 これらの結果は、相関格子系の対称性を考慮した大規模動的シミュレーションのためのエレガントで効率的なアーキテクチャとして、GNNを確立している。
• 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: Scalable and symmetry-consistent force-field models are essential for extending quantum-accurate simulations to large spatiotemporal scales. While descriptor-based neural networks can incorporate lattice symmetries through carefully engineered features, we show that graph neural networks (GNNs) provide a conceptually simpler and more unified alternative in which discrete lattice translation and point-group symmetries are enforced directly through local message passing and weight sharing. We develop a GNN-based force-field framework for the adiabatic dynamics of lattice Hamiltonians and demonstrate it for the semiclassical Holstein model. Trained on exact-diagonalization data, the GNN achieves high force accuracy, strict linear scaling with system size, and direct transferability to large lattices. Enabled by this scalability, we perform large-scale Langevin simulations of charge-density-wave ordering following thermal quenches, revealing dynamical scaling and anomalously slow sub--Allen--Cahn coarsening. These results establish GNNs as an elegant and efficient architecture for symmetry-aware, large-scale dynamical simulations of correlated lattice systems.
• Abstract（参考訳）: 量子精度シミュレーションを大規模な時空間スケールに拡張するためには、スケーラブルで対称性に富む力場モデルが不可欠である。 記述子に基づくニューラルネットワークは、慎重に設計された特徴を通じて格子対称性を組み込むことができるが、グラフニューラルネットワーク(GNN)は、離散格子変換と点群対称性を直接局所的なメッセージパッシングと重み共有によって実施する概念的にシンプルでより統一された代替手段を提供する。 我々は格子ハミルトンの断熱力学のためのGNNベースの力場フレームワークを開発し、半古典的なホルシュタインモデルに対してそれを実証する。 正確な対角化データに基づいて、GNNは高い力の精度、システムサイズによる厳密な線形スケーリング、および大きな格子への直接転送性を達成する。 この拡張性により、熱クエンチによる電荷密度波秩序の大規模ランゲヴィンシミュレーションを行い、動的スケーリングと異常に遅いサブ-アレン-カーン粗大化を明らかにした。 これらの結果は、相関格子系の対称性を考慮した大規模動的シミュレーションのためのエレガントで効率的なアーキテクチャとして、GNNを確立している。

関連論文リスト

• Equivariant Neural Networks for Force-Field Models of Lattice Systems [0.0]
  等変ニューラルネットワーク(ENN)に基づく対称性保存フレームワークを提案する。 本研究の目的は、格子モデルに固有の離散的な点群と内部対称性を、力場のニューラルネットワーク表現に直接組み込むことである。 結果として生じるML対応大規模力学シミュレーションは、対称性を破る位相のメソスケールの進化を忠実に捉えている。
  論文  参考訳（メタデータ） (2026-01-07T17:09:04Z)
• Tensor Network Framework for Forecasting Nonlinear and Chaotic Dynamics [1.790605517028706]
  非線形およびカオス力学を予測するためのテンソルネットワークモデル(TNM)を提案する。 我々は,TNMが短時間の軌道を正確に再構成し,アトラクタ形状を忠実に捉えていることを示す。
  論文  参考訳（メタデータ） (2025-11-12T11:49:38Z)
• Learning Hamiltonian Dynamics at Scale: A Differential-Geometric Approach [15.500592651570384]
  本稿では,ハミルトニアン力学の保存則とモデル次数減少のスケーラビリティを結合した,物理に着想を得た新しいニューラルネットワークを提案する。 実験により, RO-HNNは複雑な高次元力学の物理的に一貫性があり, 安定であり, 一般化可能な予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-29T11:36:35Z)
• The GINN framework: a stochastic QED correspondence for stability and chaos in deep neural networks [0.0]
  我々は、ディープニューラルネットワーク(DNN)と量子電磁力学(QED)をマッピングするユークリッド場理論アプローチを開発する。 神経活性化と重みはフェルミオン性物質とゲージ場によって表される。 標準多層パーセプトロンの数値シミュレーションにより理論的予測を検証する。
  論文  参考訳（メタデータ） (2025-08-26T11:41:11Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• The Role of Fibration Symmetries in Geometric Deep Learning [0.0]
  Geometric Deep Learning (GDL)は、対称性の観点から機械学習技術の幅広いクラスを統一する。 我々はGDLを緩和し、局所対称性、特にグラフのフィブレーション対称性が現実的なインスタンスの規則性を利用することを可能にすることを提案する。 GNNは、フィブレーション対称性の誘導バイアスを適用し、その表現力に対してより強い上限を導出する。
  論文  参考訳（メタデータ） (2024-08-28T16:04:40Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
  連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。 等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
  論文  参考訳（メタデータ） (2023-05-12T04:12:04Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)

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。