論文の概要: Transferable SCF-Acceleration through Solver-Aligned Initialization Learning

• arxiv url: http://arxiv.org/abs/2604.21657v1
• Date: Thu, 23 Apr 2026 13:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.512571
• Title: Transferable SCF-Acceleration through Solver-Aligned Initialization Learning
• Title（参考訳）: ソルバー配向初期化学習による移動可能SCF加速
• Authors: Eike S. Eberhard, Viktor Kotsev, Timm Güthle, Stephan Günnemann,
• Abstract要約: 地上目標に基づいてトレーニングされたモデルが分布からかなり外れたターゲットに適合することを示したが、収束が遅いという最初の推測が得られた。 本稿では,Fock-build のオーバーヘッドを隠蔽する RIC の修正である Effective Relative It Count (ERIC) を紹介する。 QM40では、トレーニング分布よりも4$times$の分子を含むSAILは、ERICを37%(PBE)、SCANを33%(SCAN)、B3LYPを27%(B3LYP)削減する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning methods that predict initial guesses from molecular geometry can reduce this cost, but matrix-prediction models fail when extrapolating to larger molecules, degrading rather than accelerating convergence [Liu et al. 2025]. We show that this failure is a supervision problem, not an extrapolation problem: models trained on ground-state targets fit those targets well out of distribution, yet produce initial guesses that slow convergence. Solver-Aligned Initialization Learning (SAIL) resolves this for both Hamiltonian and density matrix models by differentiating through the SCF solver end-to-end. We introduce the Effective Relative Iteration Count (ERIC), a correction to the commonly used RIC that accounts for hidden Fock-build overhead. On QM40, containing molecules up to 4$\times$ larger than the training distribution, SAIL reduces ERIC by 37% (PBE), 33% (SCAN), and 27% (B3LYP), more than doubling the previous state-of-the-art reduction on B3LYP (10%). On QMugs molecules 10$\times$ the training size, SAIL delivers a 1.25$\times$ wall-time speedup at the hybrid level of theory, extending ML SCF acceleration to large drug-like molecules.
• Abstract（参考訳）: 分子幾何学から初期推定を予測する機械学習手法は、このコストを削減することができるが、行列予測モデルは、より大きな分子に外挿する際に失敗し、収束を加速する[Liu et al 2025]。 我々は、この失敗は監督の問題であり、外挿の問題ではないことを示している: 地上の目標に基づいて訓練されたモデルは、それらの目標を分布からうまく適合させるが、収束が遅いという最初の推測を生み出す。 Solver-Aligned Initialization Learning (SAIL)は、SCFソルバを終端まで微分することで、ハミルトン行列モデルと密度行列モデルの両方でこれを解決する。 本稿では,Fock-build のオーバーヘッドを隠蔽する RIC の修正である Effective Relative Iteration Count (ERIC) を紹介する。 QM40では、トレーニング分布よりも4$\times$の分子を含むSAILは、以前のB3LYP(10%)の2倍の37%(PBE)、33%(SCAN)、27%(B3LYP)のERICを減少させる。 QMugs分子10$\times$トレーニングサイズでは、SAILは理論のハイブリッドレベルで1.25$\times$ウォールタイムスピードアップを提供し、ML SCF加速を大きな薬物様分子に拡張する。

関連論文リスト

• Communication-Efficient Gluon in Federated Learning [89.94131981227609]
  より一般的な層次$(L0, L1)$-smooth設定の下で、ムオンの拡張であるグルーオンについて検討する。 圧縮誤差を低減するため,SARAHにおける分散低減手法を圧縮法に適用した。
  論文  参考訳（メタデータ） (2026-04-12T15:30:28Z)
• Towards A Universally Transferable Acceleration Method for Density Functional Theory [10.006297397920354]
  本稿では,電子密度をコンパクトな補助基底表現で予測することにより,DFTの初期推定を構成する手法を提案する。 我々のモデルは、60原子までの系における平均33.3%の自己一貫性のフィールドステップ還元を達成することができ、ハミルトン中心のモデルとDM中心のモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-09-30T03:35:57Z)
• Locally-Deployed Chain-of-Thought (CoT) Reasoning Model in Chemical Engineering: Starting from 30 Experimental Data [0.0]
  本稿では,化学工学におけるChain-of-Thought(CoT)推論モデルの適用について検討する。 2つのCoT構築手法、Large Language Model-Chain of Thought (LLM-CoT)とMachine Learning-Large Language Model-Chain of Thought (ML-LLM-CoT)について検討した。
  論文  参考訳（メタデータ） (2025-02-17T23:43:48Z)
• Broadening Target Distributions for Accelerated Diffusion Models via a Novel Analysis Approach [49.97755400231656]
  本研究では,新しいDDPMサンプリング器が,これまで考慮されていなかった3種類の分散クラスに対して高速化性能を実現することを示す。 この結果から, DDPM型加速サンプリング器におけるデータ次元$d$への依存性が改善された。
  論文  参考訳（メタデータ） (2024-02-21T16:11:47Z)
• A Group Symmetric Stochastic Differential Equation Model for Molecule Multi-modal Pretraining [40.02834704975147]
  分子プレトレーニングは、AIベースの薬物発見のパフォーマンスを高めるために、急速にゴーツースキーマになっている。 本稿では,2次元トポロジーから3次元反射を生成するMoleculeSDEを提案する。 プレトレーニングベースライン17点と比較することにより,32のダウンストリームタスク中26点において,MoleculeSDEが最先端のパフォーマンスを持つ表現表現を学習できることを実証的に検証する。
  論文  参考訳（メタデータ） (2023-05-28T15:56:02Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。