論文の概要: Enabling ab initio geometry optimization of strongly correlated systems with transferable deep quantum Monte Carlo

• arxiv url: http://arxiv.org/abs/2603.25381v1
• Date: Thu, 26 Mar 2026 12:31:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.285074
• Title: Enabling ab initio geometry optimization of strongly correlated systems with transferable deep quantum Monte Carlo
• Title（参考訳）: 転送可能なディープ量子モンテカルロを持つ強相関系のアブ初期幾何最適化
• Authors: P. Bernát Szabó, Zeno Schätzle, Frank Noé,
• Abstract要約: 化学過程の忠実な説明には、分子ポテンシャルエネルギー表面(PES)の拡張領域を探索する必要がある 本稿では,移動可能な深層学習VMCとコスト効率の高いエネルギー,力,ヘッセンの推定を組み合わせたPSSを高精度に探索する枠組みを提案する。 これは、多重参照特性を持つ系における結合破壊、形成、および大きな構造的再構成を研究するための扉を開く。
• 参考スコア（独自算出の注目度）: 7.308984085522867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A faithful description of chemical processes requires exploring extended regions of the molecular potential energy surface (PES), which remains challenging for strongly correlated systems. Transferable deep-learning variational Monte Carlo (VMC) offers a promising route by efficiently solving the electronic Schrödinger equation jointly across molecular geometries at consistently high accuracy, yet its stochastic nature renders direct exploration of molecular configuration space nontrivial. Here, we present a framework for highly accurate ab initio exploration of PESs that combines transferable deep-learning VMC with a cost-effective estimation of energies, forces, and Hessians. By continuously sampling nuclear configurations during VMC optimization of electronic wave functions, we obtain transferable descriptions that achieve zero-shot chemical accuracy within chemically relevant distributions of molecular geometries. Throughout the subsequent characterization of molecular configuration space, the PES is evaluated only sparsely, with local approximations constructed by estimating VMC energies and forces at sampled geometries and aggregating the resulting noisy data using Gaussian process regression. Our method enables accurate and efficient exploration of complex PES landscapes, including structure relaxation, transition-state searches, and minimum-energy pathways, for both ground and excited states. This opens the door to studying bond breaking, formation, and large structural rearrangements in systems with pronounced multi-reference character.
• Abstract（参考訳）: 化学過程の忠実な記述は、強く相関する系では難しい分子ポテンシャルエネルギー表面(PES)の拡張領域を探索することを必要とする。 伝達可能な深層学習変分モンテカルロ(VMC)は、電子シュレーディンガー方程式を連続的に高精度で効率よく解き、その確率的性質は分子配置空間の直接探索を非自明にする。 本稿では,移動可能な深層学習VMCとコスト効率の高いエネルギー,力,ヘッセンの推定を組み合わせたPSSを高精度に探索する枠組みを提案する。 電子波動関数のVMC最適化中に核配置を連続的にサンプリングすることにより、分子幾何学の化学的な分布においてゼロショットの化学的精度を達成する転写可能な記述が得られる。 その後の分子配置空間のキャラクタリゼーションを通じて、PESは、VMCエネルギーとサンプルジオメトリでの力の推定と、ガウス過程の回帰による結果のノイズデータを集約することにより、局所近似を用いて、わずかにのみ評価される。 構造緩和,遷移状態探索,地中および励起状態の最小エネルギー経路を含む複雑なPSS景観の精密かつ効率的な探索を可能にする。 これは、多重参照特性を持つ系における結合破壊、形成、および大きな構造的再構成を研究するための扉を開く。

関連論文リスト

• Efficient Quantum Simulation of Non-Adiabatic Molecular Dynamics with Precise Electronic Structure [6.554055153293176]
  ランドウ-ツェナー-サーフェス-ホッピングNAMDに量子適応型拡張を導入する。 サブマイクロハートリー精度のPSS計算プロトコルも開発している。 この研究は、NAMDにおける量子コンピューティングの実践的応用の道を開いた。
  論文  参考訳（メタデータ） (2025-12-02T03:34:00Z)
• Ab-initio simulation of excited-state potential energy surfaces with transferable deep quantum Monte Carlo [4.437335677401287]
  本稿では,ニューラルネットワーク波動関数の幾何変換可能な最適化手法を提案する。 提案手法は, 地上および励起状態のPSSとその交差点を高い精度で効率的に予測することを可能にする。 我々は, エチレン, 炭素二量体, メチルエニモニウムカチオンを含む3つの挑戦的励起状態PSSに対するアプローチを検証した。
  論文  参考訳（メタデータ） (2025-03-25T17:12:29Z)
• Ab-initio variational wave functions for the time-dependent many-electron Schrödinger equation [41.94295877935867]
  平均場近似を超越したフェルミオン時間依存波動関数に対する変動的アプローチを提案する。 ニューラルネットワークのパラメータ化によって拡張された時間依存のJastrow因子とバックフロー変換を使用します。 この結果は、時間進化を正確に捉え、相互作用する電子系の量子力学に関する洞察を与える、我々の変分的アプローチの能力を示している。
  論文  参考訳（メタデータ） (2024-03-12T09:37:22Z)
• Force-free identification of minimum-energy pathways and transition states for stochastic electronic structure theories [0.18641315013048293]
  代用ヘッセン線探索法を用いて, MEP および TS 構造を効率的に同定する手法を提案する。 力のない量子モンテカルロ法を用いてMEPとTSを同定できることを示す。
  論文  参考訳（メタデータ） (2024-02-20T17:58:43Z)
• Machine-learned molecular mechanics force field for the simulation of protein-ligand systems and beyond [33.54862439531144]
  生体分子シミュレーションとコンピュータ支援薬物設計には, 信頼性および分子力学(MM)力場の開発が不可欠である。 本稿では、一般化された機械学習型MM力場、ttexttespaloma-0.3、およびグラフニューラルネットワークを用いたエンドツーエンドの微分可能なフレームワークを紹介する。 力場は、小さな分子、ペプチド、核酸を含む薬物発見に非常に関係した化学ドメインの量子化学エネルギー特性を再現する。
  論文  参考訳（メタデータ） (2023-07-13T23:00:22Z)
• Enhanced Sampling of Configuration and Path Space in a Generalized Ensemble by Shooting Point Exchange [71.49868712710743]
  長寿命状態間の遷移によって引き起こされる稀な事象をシミュレートする新しい手法を提案する。 このスキームは遷移経路サンプリングシミュレーションの効率を大幅に向上させる。 力学を歪ませることなく、分子過程の熱力学、動力学、反応座標に関する情報を得る。
  論文  参考訳（メタデータ） (2023-02-17T08:41:31Z)
• A self-consistent field approach for the variational quantum eigensolver: orbital optimization goes adaptive [52.77024349608834]
  適応微分組立問題集合型アンザッツ変分固有解法(ADAPTVQE)における自己一貫したフィールドアプローチ(SCF)を提案する。 このフレームワークは、短期量子コンピュータ上の化学系の効率的な量子シミュレーションに使用される。
  論文  参考訳（メタデータ） (2022-12-21T23:15:17Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Entropic trust region for densest crystallographic symmetry group packings [0.8399688944263843]
  分子結晶構造予測は、分子の化学組成と圧力-温度条件から最も安定した周期構造を求める。 現代のCSPソルバは、分子間ポテンシャルによって誘導される複雑なエネルギーランドスケープ内の最小自由エネルギー構造を探索するために、大域最適化手法を用いる。 本稿では,結晶対称性群(CSG)に制限された周期的パッキングのクラスを提案し,情報幾何学的枠組みによる最も密度の高いCSGパッキングの探索法を設計する。
  論文  参考訳（メタデータ） (2022-02-24T08:39:07Z)

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。