論文の概要: Enhancing molecular dynamics with equivariant machine-learned densities

• arxiv url: http://arxiv.org/abs/2604.24563v1
• Date: Mon, 27 Apr 2026 14:49:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.103232
• Title: Enhancing molecular dynamics with equivariant machine-learned densities
• Title（参考訳）: 等変マシン学習密度による分子動力学の強化
• Authors: Mihail Bogojeski, Muhammad R. Hasyim, Leslie Vogt-Maranto, Klaus-Robert Müller, Kieron Burke, Mark E. Tuckerman,
• Abstract要約: 本稿では,機械学習電子構造に対する密度優先のアプローチであるDenSNetを紹介する。 我々は, エタノール, エタンチオール, レゾルシノールのDenSNetの有効性を検証した。 電子密度を中心的な学習量として再統計することは、大規模分子シミュレーションにおいて分光・電子観測可能物質の伝達可能な予測への実用的な道を開くことを示す。
• 参考スコア（独自算出の注目度）: 10.247839738079698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine-learning interatomic potentials (MLIPs) have enabled molecular dynamics at near ab initio accuracy, yet remain limited to energies and forces by construction, leaving electronic observables such as dipole moments and polarizabilities inaccessible. We introduce DenSNet, a density-first approach to machine-learned electronic structure that learns the Hohenberg--Kohn map from nuclear configurations to the ground-state electron density. Our approach employs an SE(3)-equivariant neural network to predict density coefficients of a flexible atom-centered Gaussian basis, combined with a $Δ$-learning strategy that uses superposed atomic densities as a prior to accelerate training. A second equivariant network then maps the predicted density to the total energy, providing a unified framework for molecular dynamics and electronic structure. We validate DenSNet on ethanol, ethanethiol, and resorcinol, where infrared spectra from machine-learned trajectories show excellent agreement with experimental gas-phase measurements. To test scalability, we train on polythiophene oligomers with 1--6 monomers and extrapolate to chains of up to 12 monomers, generating stable long-time trajectories whose infrared spectra agree with reference density functional theory calculations. Here, we show that reinstating the electron density as the central learned quantity opens a practical route to transferable prediction of spectroscopic and electronic observables in large-scale molecular simulations.
• Abstract（参考訳）: 機械学習の原子間ポテンシャル(MLIP)は、ほぼ初期精度で分子動力学を可能にしたが、建設によってエネルギーや力に制限され、双極子モーメントや偏光性のような電子的観測物はアクセスできないままである。 我々は,原子核配置から基底状態電子密度へのホヘンベルク-コーン写像を学習する,機械学習電子構造に対する密度優先のアプローチであるDenSNetを紹介する。 提案手法では,SE(3)-同変ニューラルネットワークを用いて,フレキシブル原子中心ガウス基底の密度係数を予測する。 次に、第2同変ネットワークは予測密度を全エネルギーにマッピングし、分子動力学と電子構造のための統一された枠組みを提供する。 我々は, エタノール, エタンチオール, レゾルシノールのDenSNetの有効性を検証した。 拡張性をテストするため, 1--6モノマーのポリチオフェンオリゴマーを最大12モノマーの鎖に外挿し, 赤外スペクトルが基準密度汎関数理論計算と一致する安定な長時間軌道を生成する。 ここでは,電子密度を中心的な学習量として再計算することで,大規模分子シミュレーションにおいて分光・電子観測可能な物質を伝達可能な予測を行うための実用的な経路が開かれることを示す。

関連論文リスト

• V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction [10.028886116912622]
  本稿では、外部電位から電子密度分布へのマッピングを直接学習するフーリエニューラル演算子(FNO)に基づく普遍的フレームワークを提案する。 我々の研究は、高速で正確で伝達可能な電子構造予測のための有望な経路として、ニューラル演算子学習を確立している。
  論文  参考訳（メタデータ） (2026-03-13T06:53:13Z)
• A charge-density machine-learning workflow for computing the infrared spectrum of molecules [0.0]
  分子の赤外スペクトルの計算のための機械学習ワークフローを提案する。 我々はJacobi-Legendreクラスタ展開を用いて収束密度関数理論計算の実空間電荷密度を予測する。 このスキームは、PySCF符号の数値的枠組みの中で実装され、気体相におけるウラシル分子の赤外スペクトルに適用される。
  論文  参考訳（メタデータ） (2025-07-22T13:18:04Z)
• Multi-Photon Quantum Rabi Models with Center-of-Mass Motion [45.73541813564926]
  本稿では,多価ロンバダの原子を空洞内で記述するための厳密な第二量子化フレームワークを提案する。 このアプローチの重要な特徴は、ハミルトニアン平均化理論の原子場作用素への体系的応用である。 顕著な発見は、粒子-粒子相互作用の出現である。
  論文  参考訳（メタデータ） (2025-07-07T09:50:48Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• 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)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• Relativistic aspects of orbital and magnetic anisotropies in the chemical bonding and structure of lanthanide molecules [60.17174832243075]
  本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。 我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
  論文  参考訳（メタデータ） (2021-07-06T15:34:00Z)
• Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
  本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。 超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
  論文  参考訳（メタデータ） (2021-03-15T21:38:41Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。