論文の概要: Neural network backflow for ab-initio solid calculations

• arxiv url: http://arxiv.org/abs/2603.14775v1
• Date: Mon, 16 Mar 2026 03:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.026029
• Title: Neural network backflow for ab-initio solid calculations
• Title（参考訳）: Ab-initioソリッド計算のためのニューラルネットワークバックフロー
• Authors: An-Jun Liu, Bryan K. Clark,
• Abstract要約: ニューラルネットワークのバックフロー(NNBF)アプローチをアブ・イニシアト固相材料に拡張することに成功した。 分子のスケーラブルな最適化フレームワークに基づいて、大規模な構成空間拡張を管理するための2段階のプルーニング戦略を導入する。 我々のフレームワークは、様々な固体ベンチマークで最先端の精度を実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately simulating extended periodic systems is a central challenge in condensed matter physics. Neural quantum states (NQS) offer expressive wavefunctions for this task but face issues with scalability. In this work, we successfully extend the neural network backflow (NNBF) approach to ab-initio solid-state materials. Building on our scalable optimization framework for molecules [Liu et al., PRB 112, 155162 (2025)], we introduce a two-stage pruning strategy to manage the massive configuration space expansions: by utilizing a computationally cheap, physics-informed importance proxy, we devote exact NNBF amplitude evaluations solely to the most relevant determinants, significantly improving optimization efficiency, energy estimation, and convergence. Our framework achieves state-of-the-art accuracy across diverse solid-state benchmarks. For 1D hydrogen chains, NNBF matches or surpasses DMRG and AFQMC, remains robust in strongly correlated bond-breaking regimes where coupled-cluster methods fail, and smoothly extrapolates to the thermodynamic limit. We further demonstrate its scalability by computing ground-state potential energy curves for 2D graphene and 3D silicon. Finally, ablation studies validate the computational savings of our pruning strategy and highlight the dependence of the NNBF energies on basis sets.
• Abstract（参考訳）: 拡張周期系を正確にシミュレーションすることは、凝縮物質物理学における中心的な課題である。 ニューラル量子状態(NQS)は、このタスクに表現力のある波動関数を提供するが、スケーラビリティの問題に直面する。 本研究では,ニューラルネットワークのバックフロー(NNBF)アプローチをアブイニシアト固相材料に拡張することに成功した。 分子のスケーラブルな最適化フレームワーク (Liu et al , PRB 112, 155162 (2025)) を基盤として, 大規模構成空間の拡大を管理するための2段階のプルーニング戦略を導入する。 我々のフレームワークは、様々な固体ベンチマークで最先端の精度を実現している。 1次元水素鎖では、NNBF は DMRG や AFQMC を上回り、結合クラスター法が失敗する強い結合破壊機構を保ち、熱力学的限界に滑らかに外挿する。 さらに,2次元グラフェンおよび3次元シリコンの基底状態ポテンシャルエネルギー曲線を計算することで,そのスケーラビリティを実証する。 最後に, パンニング戦略の計算的節約を検証し, NNBFのエネルギー依存性をベースセットで強調する。

関連論文リスト

• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [49.68148244247448]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Physics-Informed Hybrid Quantum-Classical Dispatching for Large-Scale Renewable Power Systems:A Noise-Resilient Framework [9.378801906395179]
  高ペネレーションエネルギーは、電力系統のディスパッチ最適化に重大性と非古典性をもたらす。 既存のアプローチでは、電力網を「ブラックボックス」として扱うのが一般的である。 本稿では、PIHQ-CD(Hybrid Quantum-Bridging Dispatching)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-26T13:35:54Z)
• DBAW-PIKAN: Dynamic Balance Adaptive Weight Kolmogorov-Arnold Neural Network for Solving Partial Differential Equations [11.087203453701568]
  物理インフォームドニューラルネットワーク(PINN)は科学計算において大きな進歩をもたらした。 PINNは勾配流とスペクトルバイアスの剛性に関連する永続的で厳しい課題に遭遇する。 本稿では,動的バランシング適応重み付け物理インフォームドコルモゴロフ・アルノルドネットワーク(DBAW-PIKAN)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T06:47:14Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• TensorHyper-VQC: A Tensor-Train-Guided Hypernetwork for Robust and Scalable Variational Quantum Computing [50.95799256262098]
  量子機械学習のための新しいテンソルトレイン(TT)誘導ハイパーネットワークフレームワークであるHyper-VQCを紹介する。 我々のフレームワークは、量子回路パラメータの生成を古典的なTTネットワークに委譲し、量子ハードウェアから最適化を効果的に分離する。 これらの結果から、Hyper-VQCは、短期デバイス上での実用的な量子機械学習を促進するためのスケーラブルで耐雑音性のあるフレームワークとして位置づけられる。
  論文  参考訳（メタデータ） (2025-08-01T23:37:55Z)
• Efficient optimization of neural network backflow for ab-initio quantum chemistry [0.0]
  第2量子化量子化学ハミルトニアンの基底状態は、分子特性を決定する鍵となる。 本稿では,効率的な周期的コンパクトな部分空間構築,局所的エネルギー評価,サンプリングの改善,物理インフォームド修正を含むアルゴリズム拡張スイートを紹介する。 改良された手法は、CCSDやCCSD(T)のような従来の量子化学手法を超越し、他のNQS手法よりも優れ、最先端のアブイニシアト技術と競合するエネルギーを達成する。
  論文  参考訳（メタデータ） (2025-02-26T05:31:08Z)
• Clifford-Dressed Variational Principles for Precise Loschmidt Echoes [44.99833362998488]
  我々は、最近導入されたクリフォード型時間依存変動原理(TDVP)を拡張し、計算ベースで多体波動関数の振幅を効率的に計算する。 TDVPの進化中にクリフォード・ディエンタングリングゲートを組み込むことで,これらの振幅の計算を利用可能にしつつ,効果的にエンタングメント成長を制御することができる。
  論文  参考訳（メタデータ） (2025-02-03T22:43:32Z)
• SupeRBNN: Randomized Binary Neural Network Using Adiabatic Superconductor Josephson Devices [44.440915387556544]
  AQFPデバイスはバイナリニューラルネットワーク(BNN)計算の優れたキャリアとして機能する。 本稿では,AQFPに基づくランダム化BNNアクセラレーションフレームワークSupeRBNNを提案する。 本稿では,ReRAMベースのBNNフレームワークのエネルギー効率を約7.8×104倍に向上することを示す。
  論文  参考訳（メタデータ） (2023-09-21T16:14:42Z)
• Scalable Imaginary Time Evolution with Neural Network Quantum States [0.0]
  ニューラルネットワーク量子状態(NQS)としての量子波関数の表現は、多体量子系の基底状態を見つけるための強力な変分アンサッツを提供する。 我々は、計量テンソルの計算をバイパスするアプローチを導入し、代わりにユークリッド計量を用いた一階降下にのみ依存する。 我々は,NQSのエネルギーが減少するまで最適な時間ステップを決定し,目標を固定し,適応的に安定させる。
  論文  参考訳（メタデータ） (2023-07-28T12:26:43Z)
• Primal and Dual Analysis of Entropic Fictitious Play for Finite-sum Problems [42.375903320536715]
  エントロピック・フィクション・プレイ(英語: Entropic fictitious Play, EFP)は、測度空間における凸関数とエントロピーの和を最小化するアルゴリズムである。 学習問題が有限サム構造を示すような環境では、EFPの簡潔な原始双対解析を行う。
  論文  参考訳（メタデータ） (2023-03-06T08:05:08Z)

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。