論文の概要: Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory

• arxiv url: http://arxiv.org/abs/2604.09320v1
• Date: Fri, 10 Apr 2026 13:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.886608
• Title: Transferable FB-GNN-MBE Framework for Potential Energy Surfaces: Data-Adaptive Transfer Learning in Deep Learned Many-Body Expansion Theory
• Title（参考訳）: ポテンシャルエネルギー表面のための転送可能なFB-GNN-MBEフレームワーク:深層学習多体展開理論におけるデータ適応トランスファー学習
• Authors: Siqi Chen, Zhiqiang Wang, Yili Shen, Xianqi Deng, Xi Cheng, Cheng-Wei Ju, Jun Yi, Guo Ling, Dieaa Alhmoud, Hui Guan, Zhou Lin,
• Abstract要約: フラグメントベースのグラフニューラルネットワーク(FB-GNN)を多体展開理論(MBE)に応用する。 FB-GNN-MBEは、水、フェノール、混合ベンチマークで2体(2B)と3体(3B)のエネルギーを予測する際の化学的精度を達成する。
• 参考スコア（独自算出の注目度）: 14.489007842290262
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mechanistic understanding and rational design of complex chemical systems depend on fast and accurate predictions of electronic structures beyond individual building blocks. However, if the system exceeds hundreds of atoms, first-principles quantum mechanical (QM) modeling becomes impractical. In this study, we developed FB-GNN-MBE by integrating a fragment-based graph neural network (FB-GNN) into the many-body expansion (MBE) theory and demonstrated its capacity to reproduce first-principles potential energy surfaces (PES) for hierarchically structured systems with manageable accuracy, complexity, and interpretability. Specifically, we divided the entire system into basic building blocks (fragments), evaluated their one-fragment energies using a QM model, and addressed many-fragment interactions using the structure-property relationships trained by FB-GNNs. Our investigation shows that FB-GNN-MBE achieves chemical accuracy in predicting two-body (2B) and three-body (3B) energies across water, phenol, and mixture benchmarks, as well as the one-dimensional dissociation curves of water and phenol dimers. To transfer the success of FB-GNN-MBE across various systems with minimal computational costs and data demands, we developed and validated a teacher-student learning protocol. A heavy-weight FB-GNN trained on a mixed-density water cluster ensemble (teacher) distills its learned knowledge and passes it to a light-weight GNN (student), which is later fine-tuned on a uniform-density (H2O)21 cluster ensemble. This transfer learning strategy resulted in efficient and accurate prediction of 2B and 3B energies for variously sized water clusters without retraining. Our transferable FB-GNN-MBE framework outperformed conventional non-FB-GNN-based models and showed high practicality for large-scale molecular simulations.
• Abstract（参考訳）: 複雑な化学系の機械的理解と合理的設計は、個々の構成要素を超えた電子構造の高速かつ正確な予測に依存する。 しかし、システムが数百の原子を超えると、第一原理量子力学(QM)モデリングは実用的ではない。 本研究では,フラグメントベースのグラフニューラルネットワーク(FB-GNN)を多体展開(MBE)理論に統合してFB-GNN-MBEを開発した。 具体的には,システム全体を基本構造ブロック(フラッグメント)に分割し,QMモデルを用いてその一フレッグメントエネルギーを評価し,FB-GNNによって訓練された構造-プロパティ関係を用いて多フラッグメント相互作用に対処した。 FB-GNN-MBEは,水,フェノール,混合ベンチマークの2体 (2B) と3体 (3B) のエネルギー,および水およびフェノール二量体の1次元解離曲線の予測において,化学的精度が得られた。 FB-GNN-MBEの成功を計算コストとデータ要求を最小限に抑えながら様々なシステム間で伝達するために,教師による学習プロトコルを開発し,検証した。 混合密度の水クラスターアンサンブル(教師)で訓練された重いFB-GNNは、学習した知識を蒸留し、後に一様密度(H2O)21クラスターアンサンブルで微調整された軽量GNN(学生)に渡す。 この伝達学習戦略は, 再学習を伴わずに, 種々の規模の水クラスターに対する2Bおよび3Bエネルギーの効率的かつ正確な予測を行うことができた。 我々の移動可能なFB-GNN-MBEフレームワークは従来の非FB-GNNモデルより優れ、大規模分子シミュレーションにおいて高い実用性を示した。

関連論文リスト

• Autotuning T-PaiNN: Enabling Data-Efficient GNN Interatomic Potential Development via Classical-to-Quantum Transfer Learning [0.0]
  本稿では,GNN-MLIPのデータ効率を大幅に向上するトランスファー学習フレームワークであるTransfer-PaiNNを紹介する。 我々は,T-PaiNNの自動調整が気相分子系と凝縮相液水の両方に与える影響を実証した。 例えば、QM9データセットを用いて、低データ状態では最大25倍の誤差低減が観測され、一方、液体水シミュレーションではエネルギー、力、密度、拡散などの実験的特性の予測が改善された。
  論文  参考訳（メタデータ） (2026-03-25T19:22:56Z)
• Universal and efficient graph neural networks with dynamic attention for machine learning interatomic potentials [3.2024465912572015]
  機械学習の原子間ポテンシャル(MLIP)は線形コストでほぼ量子精度を約束するが、既存のモデルは効率と安定性の課題に直面している。 我々は、効率的で堅牢なグラフニューラルネットワークフレームワークである機械学習アドバンスニューラルネットワーク(MLANet)を提案する。
  論文  参考訳（メタデータ） (2026-03-24T05:14:33Z)
• 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)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• 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)
• Ensemble Knowledge Distillation for Machine Learning Interatomic Potentials [34.82692226532414]
  機械学習の原子間ポテンシャル(MLIP)を改善するためのアンサンブル知識蒸留法(EKD)を提案する。 まず、複数の教師モデルはQCエネルギーに訓練され、次にデータセットのすべての構成に対して原子力を生成する。次に、学生MLIPは、教師モデルによって生成されたQCエネルギーと平均的な力の両方に訓練される。 得られた学生MLIPは、Compum6ベンチマークで新しい最先端の精度を達成し、分子動力学シミュレーションの安定性の向上を示す。
  論文  参考訳（メタデータ） (2025-03-18T14:32:51Z)
• Integrating Graph Neural Networks and Many-Body Expansion Theory for Potential Energy Surfaces [10.510569940819318]
  第一原理量子力学(QM)モデリングは、物質のサイズが数百の原子を超えるにつれて実現不可能になった。 フラグメントベースグラフニューラルネットワーク(FBGNN)を,フラグメントベース多体展開(MBE)理論に統合する新しい計算ツールを開発した。 FBGNN-MBEの開発は、ディープラーニングモデルをフラグメントベースのQM手法に統合する新しいフレームワークの可能性を示した。
  論文  参考訳（メタデータ） (2024-11-03T14:03:32Z)
• Hybrid quantum physics-informed neural networks for simulating computational fluid dynamics in complex shapes [37.69303106863453]
  本稿では3次元Y字ミキサー内の層流をシミュレートするハイブリッド量子物理学インフォームドニューラルネットワークを提案する。 我々のアプローチは、量子モデルの表現力と物理インフォームドニューラルネットワークの柔軟性を組み合わせることで、純粋に古典的なニューラルネットワークに比べて21%高い精度を実現している。
  論文  参考訳（メタデータ） (2023-04-21T20:49:29Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• A Universal Framework for Featurization of Atomistic Systems [0.0]
  物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。 本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。 我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
  論文  参考訳（メタデータ） (2021-02-04T03:11:00Z)
• 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)

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。