Fugu-MT 論文翻訳(概要): V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction

論文の概要: V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction

arxiv url: http://arxiv.org/abs/2603.15669v1
Date: Fri, 13 Mar 2026 06:53:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-18 17:42:06.865945
Title: V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction
Title（参考訳）: V2Rho-FNO:電子密度予測のためのフーリエニューラル演算子
Authors: Yingdi Jin, Xinming Qin, Ruichen Liu, Jie Liu, Zhenyu Li, Jinlong Yang,
Abstract要約: 本稿では、外部電位から電子密度分布へのマッピングを直接学習するフーリエニューラル演算子(FNO)に基づく普遍的フレームワークを提案する。我々の研究は、高速で正確で伝達可能な電子構造予測のための有望な経路として、ニューラル演算子学習を確立している。
参考スコア（独自算出の注目度）: 10.028886116912622
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Density functional theory (DFT) is a cornerstone of computational chemistry and materials science, but its computational cost limits its use in large-scale and high-throughput applications. While machine learning has accelerated energy prediction for specific molecular classes, transferable prediction of electron density across diverse chemical spaces remains challenging. Here, we present a universal framework based on Fourier Neural Operators (FNOs) that directly learns the mapping from external potentials to electron density distributions. Unlike conventional approaches that rely on explicit atomic orbitals, basis sets, or handcrafted descriptors, the proposed method captures global electronic interactions and long-range correlations through operator learning in the spatial-frequency domain. Trained on datasets spanning multiple elements and molecular geometries, the model achieves zero-shot generalization to entirely unseen molecular systems and accurately predicts their electron densities without retraining. This transferability arises from the intrinsic ability of FNOs to represent global structure in continuous fields. Our work establishes neural operator learning as a promising route for fast, accurate, and transferable electronic structure prediction, with potential applications in high-throughput screening and chemical space exploration.
Abstract（参考訳）: 密度汎関数理論(DFT)は計算化学と材料科学の基盤であるが、その計算コストは大規模かつ高スループットの用途での使用を制限する。機械学習は特定の分子クラスのエネルギー予測を加速してきたが、様々な化学空間にわたる電子密度の伝達可能な予測は依然として困難である。本稿では、外部電位から電子密度分布へのマッピングを直接学習するフーリエニューラル演算子(FNO)に基づく普遍的フレームワークを提案する。明示的な原子軌道、基底セット、手作り記述子に依存する従来の手法とは異なり、提案手法は空間周波数領域での演算子学習を通じて、グローバルな電子相互作用と長距離相関をキャプチャする。複数の元素や分子のジオメトリーにまたがるデータセットに基づいて訓練されたこのモデルは、全く見えない分子系へのゼロショットの一般化を実現し、再学習せずに電子密度を正確に予測する。この伝達性は、連続体における大域構造を表現するFNOの本質的な能力から生じる。我々の研究は、高速で正確で伝達可能な電子構造予測のための有望な経路として、ニューラル演算子学習を確立し、ハイスループットスクリーニングや化学宇宙探査に応用する可能性がある。

関連論文リスト

Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions [34.53033480184221]
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。
論文参考訳（メタデータ） (2026-02-23T18:54:46Z)
Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
論文参考訳（メタデータ） (2026-02-03T12:01:39Z)
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)
OrbitAll: A Unified Quantum Mechanical Representation Deep Learning Framework for All Molecular Systems [64.69217059173184]
OrbitAllは、幾何学および物理インフォームドディープラーニングフレームワークである。任意の電荷、スピン、環境効果を持つ任意の分子系を表現し、処理することができる。競合するAIモデルよりも10倍少ないトレーニングデータを使用して、化学精度を達成し、密度汎関数理論と比較して約103$ - 104$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） (2025-07-05T01:21:56Z)
Constructing accurate machine-learned potentials and performing highly efficient atomistic simulations to predict structural and thermal properties [6.875235178607604]
Ab initio molecular dynamics (AIMD) シミュレーションから生成されたデータセットに基づいて学習した神経進化電位(NEP)を導入する。両方の機械学習ポテンシャルを用いて、状態(DOS)と放射分布関数(RDF)のフォノン密度を計算する。 MTP電位はわずかに精度が良いが、NEPは計算速度が41倍に向上する。
論文参考訳（メタデータ） (2024-11-16T23:16:59Z)
Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。第一原理計算では,10種中8種が室温で超イオン性であることが確認された。本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文参考訳（メタデータ） (2024-11-11T09:01:36Z)
Transfer learning for chemically accurate interatomic neural network potentials [0.0]
密度汎関数計算から得られたデータに基づいてネットワークパラメータを事前学習することにより、より正確なab-initioデータに基づいてトレーニングされたモデルのサンプル効率が向上することを示す。 ANI-1x および ANI-1ccx データセット上で事前訓練および微調整されたGM-NN電位を提供する。
論文参考訳（メタデータ） (2022-12-07T19:21:01Z)
Gaussian Moments as Physically Inspired Molecular Descriptors for Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文参考訳（メタデータ） (2021-09-15T16:46:46Z)
BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文参考訳（メタデータ） (2021-06-08T10:14:57Z)
Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
論文参考訳（メタデータ） (2020-11-05T06:48:46Z)
Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。その結果,クロスバリデーションにより予測精度が期待できることがわかった。
論文参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。