論文の概要: Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2603.14700v1
• Date: Mon, 16 Mar 2026 01:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.975116
• Title: Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials
• Title（参考訳）: 自己持続型静電機械学習の原子間ポテンシャル設計空間
• Authors: William J. Baldwin, Ilyes Batatia, Martin Vondrák, Johannes T. Margraf, Gábor Csányi,
• Abstract要約: 機械学習原子間ポテンシャル(MLIP)における静電気治療の枠組みについて述べる。 自己整合型静電MLIPの設計空間を広く定義する鍵となる設計選択を同定する。 我々の結果は、失敗を解決するために、より表現力のある自己整合モデルが必要であることを示す。
• 参考スコア（独自算出の注目度）: 3.9364243535886985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning interatomic potentials (MLIPs) have become widely used tools in atomistic simulations. For much of the history of this field, the most commonly employed architectures were based on short-ranged atomic energy contributions, and the assumption of locality still persists in many modern foundation models. While this approach has enabled efficient and accurate modelling for many use cases, it poses intrinsic limitations for systems where long-range electrostatics, charge transfer, or induced polarization play a central role. A growing body of work has proposed extensions that incorporate electrostatic effects, ranging from locally predicted atomic charges to self-consistent models. While these models have demonstrated success for specific examples, their underlying assumptions, and fundamental limitations are not yet well understood. In this work, we present a framework for treating electrostatics in MLIPs by viewing existing models as coarse-grained approximations to density functional theory (DFT). This perspective makes explicit the approximations involved, clarifies the physical meaning of the learned quantities, and reveals connections and equivalences between several previously proposed models. Using this formalism, we identify key design choices that define a broader design space of self-consistent electrostatic MLIPs. We implement salient points in this space using the MACE architecture and a shared representation of the charge density, enabling controlled comparisons between different approaches. Finally, we evaluate these models on two instructive test cases: metal-water interfaces, which probe the contrasting electrostatic response of conducting and insulating systems, and charged vacancies in silicon dioxide. Our results highlight the limitations of existing approaches and demonstrate how more expressive self-consistent models are needed to resolve failures.
• Abstract（参考訳）: 機械学習原子間ポテンシャル(MLIP)は原子論シミュレーションで広く使われている。 この分野の歴史の多くにおいて、最もよく使われているアーキテクチャは短距離の原子エネルギーの寄与に基づくものであり、局所性の仮定は多くの現代基礎モデルで今も続いている。 このアプローチは多くのユースケースにおいて効率的かつ正確なモデリングを実現しているが、長距離静電気、電荷移動、誘導偏極が中心的な役割を果たすシステムには固有の制限が生じる。 成長する研究機関は、局所的に予測される原子電荷から自己整合性モデルまで、静電効果を含む拡張を提案している。 これらのモデルは特定の例で成功を証明しているが、その基礎となる仮定や基本的な限界はまだ十分に理解されていない。 本研究では,既存のモデルを密度汎関数理論 (DFT) に対する粗粒度近似として見ることにより,MLIPの静電処理フレームワークを提案する。 この観点は、関連する近似を明確にし、学習した量の物理的意味を明らかにし、以前に提案されたいくつかのモデル間の接続と等価性を明らかにする。 このフォーマリズムを用いて、自己整合型静電MLIPの設計空間を広く定義する鍵となる設計選択を同定する。 我々は、MACEアーキテクチャと電荷密度の共有表現を用いて、この空間に有意な点を実装し、異なるアプローチ間の制御された比較を可能にした。 最後に, 導電・絶縁系の静電応答の対比を探索する金属-水界面と, 二酸化ケイ素の電荷空洞の2つの実験事例について, これらのモデルの評価を行った。 この結果は既存のアプローチの限界を強調し、失敗を解決するためにより表現力のある自己整合モデルが必要であることを示す。

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)
• Multi-Photon Quantum Rabi Models with Center-of-Mass Motion [45.73541813564926]
  本稿では,多価ロンバダの原子を空洞内で記述するための厳密な第二量子化フレームワークを提案する。 このアプローチの重要な特徴は、ハミルトニアン平均化理論の原子場作用素への体系的応用である。 顕著な発見は、粒子-粒子相互作用の出現である。
  論文  参考訳（メタデータ） (2025-07-07T09:50:48Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• Interaction Field Matching: Overcoming Limitations of Electrostatic Models [85.87349969357068]
  静電場整合(EFM)は、近年、電気コンデンサのアイデアを用いて、データ生成と転送のための物理に着想を得たパラダイムとして登場した。 我々は、静電気以外の一般的な相互作用場を利用できるEMFの一般化であるInteraction Field Matching (IFM)を提案する。 一連の玩具および画像データ転送問題に対して,その性能を示す。
  論文  参考訳（メタデータ） (2025-06-03T14:45:14Z)
• Are Foundational Atomistic Models Reliable for Finite-Temperature Molecular Dynamics? [5.017458218949553]
  機械学習力場は分子動力学(MD)シミュレーションのための有望なツールとして登場した。 これらの基本的な原子論モデルは、最も説得力のあるアプリケーションの1つに信頼性がありますか?
  論文  参考訳（メタデータ） (2025-03-11T09:23:01Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• The Role of Reference Points in Machine-Learned Atomistic Simulation Models [0.0]
  化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。 FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
  論文  参考訳（メタデータ） (2023-10-28T01:02:14Z)
• Physics-inspired Equivariant Descriptors of Non-bonded Interactions [0.0]
  本稿では,多種多様なLR相互作用を一貫した方法で処理できる長距離同変(LODE)フレームワークの拡張について述べる。 我々は、よりシンプルで効率的な実装を可能にするマルチポール拡張を用いて、これらを直接物理的に解釈する。
  論文  参考訳（メタデータ） (2023-08-25T07:04:16Z)
• Two dimensional momentum state lattices [0.0]
  過去10年間の運動量状態格子(MSL)の発展を基盤として、我々はこの手法の高次元への単純な拡張を紹介した。 MSLは、チューニング可能な障害、ゲージ場、非ハーミティリティ、その他の特徴を持つタイトバインディングモデルの実現を可能にした。 このモデルへの直接的拡張については、高次元における新しい輸送現象や局所化現象の探索を可能にする、障害や非ハーモニティの導入など、多くの論じる。
  論文  参考訳（メタデータ） (2023-05-29T09:57:56Z)
• Multi-scale approach for the prediction of atomic scale properties [0.0]
  局所性は、量子力学的観測可能性を予測する機械学習スキームの下にある。 これらのアプローチの主な欠点の1つは、物理的効果を捉えることができないことである。 我々は、同じフレームワークのローカル情報と非ローカル情報を組み合わせたマルチスケールスキームの構築方法を示す。
  論文  参考訳（メタデータ） (2020-08-27T14:01:00Z)

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。