論文の概要: Hessian-informed machine learning interatomic potential towards bridging theory and experiments

• arxiv url: http://arxiv.org/abs/2603.25373v1
• Date: Thu, 26 Mar 2026 12:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.281278
• Title: Hessian-informed machine learning interatomic potential towards bridging theory and experiments
• Title（参考訳）: ヘシアンインフォームド機械学習によるブリッジ理論と実験への原子間ポテンシャル
• Authors: Bangchen Yin, Jian Ouyang, Zhen Fan, Kailai Lin, Hanshi Hu, Dingshun Lv, Weiluo Ren, Hai Xiao, Ji Chen, Changsu Cao,
• Abstract要約: Hessian-informed Machine Learning Interatomic potential (Hi-MLIP)を紹介する。 Hi-MLIPは曲率を確実に捉え、関連する熱力学および運動現象の正確な解析を可能にする。 我々は,高効率なトレーニングプロトコルであるヘッセンインフォームドトレーニング(HINT)を開発し,高価なヘッセンラベルの要求に対して2～4桁のスケール削減を実現した。
• 参考スコア（独自算出の注目度）: 2.375567391359873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local curvature of potential energy surfaces is critical for predicting certain experimental observables of molecules and materials from first principles, yet it remains far beyond reach for complex systems. In this work, we introduce a Hessian-informed Machine Learning Interatomic Potential (Hi-MLIP) that captures such curvature reliably, thereby enabling accurate analysis of associated thermodynamic and kinetic phenomena. To make Hessian supervision practically viable, we develop a highly efficient training protocol, termed Hessian INformed Training (HINT), achieving two to four orders of magnitude reduction for the requirement of expensive Hessian labels. HINT integrates critical techniques, including Hessian pre-training, configuration sampling, curriculum learning and stochastic projection Hessian loss. Enabled by HINT, Hi-MLIP significantly improves transition-state search and brings Gibbs free-energy predictions close to chemical accuracy especially in data-scarce regimes. Our framework also enables accurate treatment of strongly anharmonic hydrides, reproducing phonon renormalization and superconducting critical temperatures in close agreement with experiment while bypassing the computational bottleneck of anharmonic calculations. These results establish a practical route to enhancing curvature awareness of machine learning interatomic potentials, bridging simulation and experimental observables across a wide range of systems.
• Abstract（参考訳）: ポテンシャルエネルギー表面の局所曲率は、分子や物質の実験的な観測可能なものを第一原理から予測するために重要であるが、複雑な系には及ばない。 本研究では, ヘシアンインフォームド機械学習原子間ポテンシャル(Hi-MLIP)を導入し, その曲率を確実に把握し, 関連する熱力学および運動現象の正確な解析を可能にする。 ヘシアン・インフォームド・トレーニング(HINT: Hessian Informed Training)と呼ばれる高効率なトレーニング・プロトコルを開発し,高額なヘシアン・ラベルの要求に対して2～4桁のスケール・リダクションを実現した。 HINTは、Hessian事前トレーニング、構成サンプリング、カリキュラム学習、確率射影Hessian損失など、重要なテクニックを統合している。 HINTによって実現されたHi-MLIPは、遷移状態探索を大幅に改善し、特にデータスカース政権において、Gibsの化学精度に近い自由エネルギー予測をもたらす。 また, 強無調波水素化物を高精度に処理し, フォノン再正規化を再現し, 超伝導臨界温度を実験と密に一致させながら, 無調波計算の計算ボトルネックを回避した。 これらの結果は、機械学習の原子間ポテンシャルの曲率認識、ブリッジングシミュレーション、および幅広いシステムにわたる実験的な可観測性を高めるための実践的な方法を確立している。

関連論文リスト

• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Refining Machine Learning Potentials through Thermodynamic Theory of Phase Transitions [0.0]
  本研究は,過度に予測された遷移温度を補正するために,トップダウン学習による微調整戦略を提案する。 提案手法は, 純チタンの相図を最大5GPaの圧力範囲で正確に補正できることを示す。 我々のアプローチはモデルに依存しず、固体および固液遷移を持つ多成分系に適用できる。
  論文  参考訳（メタデータ） (2025-12-03T17:06:26Z)
• Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides [0.562479170374811]
  水素原子移動(HAT)反応は、損傷したタンパク質のラジカル移動など、多くの生物学的プロセスにおいて必須である。 機械学習型ポテンシャルは、ほぼ量子精度でポテンシャルエネルギー面を学習できる代替手段を提供する。 そこで我々は,半経験的手法とDFTを用いて大規模データセットを構築するために,ペプチドのHAT構成を体系的に生成する。
  論文  参考訳（メタデータ） (2025-08-01T12:21:49Z)
• Thermometry of simulated Bose--Einstein condensates using machine learning [0.0]
  ボースガスの化学ポテンシャルと温度を迅速かつ非破壊的に推定するための機械学習手法を実証する。 我々の畳み込みニューラルネットワークは、ハーモニックトラップ構成における準2Dパンケーキの凝縮にのみ訓練されている。
  論文  参考訳（メタデータ） (2025-06-20T11:36:15Z)
• Coupled reaction and diffusion governing interface evolution in solid-state batteries [4.707991478885645]
  我々は、対称電池セルの量子精度で、大規模で明示的な反応シミュレーションを行う。 我々はSEI生成の実験的観察と,デンドライト開始に重要なLiクリープ機構の解明について説明する。 我々のアプローチは、実験に適合する調整可能なパラメータを使わずに、デジタル双生児を第一原理から切り離すことです。
  論文  参考訳（メタデータ） (2025-06-12T17:49:05Z)
• 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)
• Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
  本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。 古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。 本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
  論文  参考訳（メタデータ） (2024-05-27T17:40:39Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Heuristic machinery for thermodynamic studies of SU(N) fermions with neural networks [1.1910997817688513]
  機械学習分析を用いて機械を導入する。 我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。 我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
  論文  参考訳（メタデータ） (2020-06-25T02:31:55Z)

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。