論文の概要: Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory

• arxiv url: http://arxiv.org/abs/2604.20458v1
• Date: Wed, 22 Apr 2026 11:36:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.106667
• Title: Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory
• Title（参考訳）: 機械学習軌道自由密度汎関数論のためのサロゲート関数
• Authors: Roman Remme, Fred A. Hamprecht,
• Abstract要約: 我々は、軌道自由密度汎関数理論のための機械学習エネルギー汎関数(Surrogate functionals)を紹介する。 本研究では, 基底状態に対する密度の指数収束を保証する勾配差改善損失を提案する。 QM9 と QMugs のベンチマークでは、シュロゲート関数は、完全な教師付きマシン学習 OF-DFT のための最先端技術と競合する密度誤差を達成または改善する。
• 参考スコア（独自算出の注目度）: 11.21330669446422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce surrogate functionals: machine-learned energy functionals for orbital-free density functional theory (OF-DFT) which are defined not by universal fidelity to a physical reference, but merely by the requirement that density optimization with a fixed procedure yields the true ground-state density. Helpfully, training surrogate functionals requires only ground-state densities, no energies or gradients away from the ground state. We here propose a gradient-descent-improvement loss that guarantees exponential convergence of the density to the ground state, and combine it with an adaptive sampling scheme that concentrates learning around the optimization trajectories actually visited during inference. On the QM9 and QMugs benchmarks, surrogate functionals achieve density errors competitive with or improving upon the state of the art for fully supervised machine-learned OF-DFT, while eliminating the need for the $O(N^3)$ orthononormalization step required by prior work, yielding improved runtime scaling for larger systems.
• Abstract（参考訳）: 軌道自由密度汎関数論(OF-DFT)のための機械学習エネルギー汎関数は、物理参照に対する普遍的忠実性ではなく、固定された手順による密度最適化が真の基底状態密度をもたらすという要求によって定義される。 補助関数の訓練には、基底状態からのエネルギーや勾配を必要とせず、基底状態の密度のみを必要とする。 本稿では,基底状態に対する密度の指数収束を保証し,推定時に実際に訪れた最適化軌跡の学習に集中する適応型サンプリングスキームと組み合わせた勾配差改善損失を提案する。 QM9 と QMugs のベンチマークでは、Surrogate 関数は、完全な教師付きマシン学習のための最先端技術である OF-DFT に競合する密度誤差を達成し、事前の作業で必要となる$O(N^3)$正則化ステップを不要にし、より大きなシステムのランタイムスケーリングを改善した。

関連論文リスト

• Reaching for the performance limit of hybrid density functional theory for molecular chemistry [0.0]
  選択されたアプリケーションドメイン内で確実に最も正確な機能を開発するには、体系的なプロトコルが必要である。 本稿では,制約強制,フレキシブルな機能形式,現代的な最適化を組み合わせたプロトコルを提案する。 幅広い分子ベンチマークにおいて、COACHはRSHメタGGAと比較して精度と転送性の両方を改善している。
  論文  参考訳（メタデータ） (2026-03-24T17:33:43Z)
• Variational Entropic Optimal Transport [67.76725267984578]
  本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。 VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。 合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
  論文  参考訳（メタデータ） (2026-02-02T15:48:44Z)
• Orbital-free density functional theory with first-quantized quantum subroutines [0.0]
  確率的想像時間進化(PITE)を用いた軌道自由密度汎関数理論(OFDFT)を実現する量子古典ハイブリッドスキームを提案する。 PITEはOFDFTの一部に適用され、各自己整合体(SCF)反復におけるハミルトニアン基底状態を探索する。 ハミルトンの基底状態エネルギーを得るには、回路深さが$O(log N_mathrmg)$が必要である。
  論文  参考訳（メタデータ） (2024-07-23T05:34:11Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
  軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。 我々のモデルは様々な化学系の電子密度を再現することに成功した。
  論文  参考訳（メタデータ） (2023-11-22T16:42:59Z)
• KineticNet: Deep learning a transferable kinetic energy functional for orbital-free density functional theory [13.437597619451568]
  KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。 初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
  論文  参考訳（メタデータ） (2023-05-08T17:43:31Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Density Constrained Reinforcement Learning [9.23225507471139]
  状態密度関数に制約を直接設定することで,新しい視点から制約付き強化学習を研究する。 我々は密度関数とQ関数の双対性を利用して、密度制約されたRL問題を最適に解く効果的なアルゴリズムを開発する。 提案アルゴリズムは, ポリシー更新が不完全である場合でも, 境界誤差のある準最適解に収束することを示す。
  論文  参考訳（メタデータ） (2021-06-24T04:22:03Z)
• Robust linear-scaling optimization of compact localized orbitals in density functional theory [4.232614032390373]
  基底関数の局所部分集合の観点から厳密に拡張されたコンパクトな1電子軌道の局所性は密度汎関数理論において利用することができる。 コンパクト軌道の遅く不安定な最適化は、コンパクト軌道のほぼ不変な混合に由来することを示す。
  論文  参考訳（メタデータ） (2020-04-09T04:37:40Z)

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。