論文の概要: Towards Accelerated SCF Workflows with Equivariant Density-Matrix Learning and Analytic Refinement

• arxiv url: http://arxiv.org/abs/2604.27256v1
• Date: Wed, 29 Apr 2026 23:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.835481
• Title: Towards Accelerated SCF Workflows with Equivariant Density-Matrix Learning and Analytic Refinement
• Title（参考訳）: 等変密度行列学習と解析リファインメントによるSCFワークフローの高速化に向けて
• Abstract要約: トレーニングは2段階のスケジュールに従い、徐々に物理的に動機づけられた目標が導入された。 学習された1-RDMは、正確に1発の総エネルギーを出力し、ヘルマン=ファインマン原子間力は、力の監督を伴わない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present \textsc{dm-PhiSNet}, a physically constrained \textsc{PhiSNet}-based equivariant model that predicts one-electron reduced density matrices (1-RDMs) directly from molecular geometries in an atomic-orbital (AO) basis for accelerated self-consistent field (SCF) workflows. Training follows a two-stage schedule with progressively introduced physically motivated objectives, and the resulting predictions are refined by a lightweight analytic block. This block enforces electron-number conservation, drives the 1-RDM toward generalized idempotency in the AO metric, and regularizes the occupation spectrum of the Löwdin-orthogonalized density. Across six closed-shell systems -- H$_2$O, CH$_4$, NH$_3$, HF, ethanol, and NO$_3^-$ -- the refined 1-RDMs provide SCF initial guesses that substantially reduce iteration steps by 49--81\% relative to standard initializations. Beyond SCF acceleration, the learned 1-RDMs yield accurate one-shot total energies and Hellmann--Feynman atomic forces without force supervision, indicating that the model captures chemically meaningful electronic structure. These results demonstrate that combining equivariant learning with analytic constraint enforcement provides a simple, general route to solver-ready density-matrix initializations and accelerated SCF workflows.
• Abstract（参考訳）: 物理制約付き \textsc{PhiSNet} に基づく同変モデルである \textsc{dm-PhiSNet} を提案する。 トレーニングは、物理的に動機づけられた目標を段階的に導入した2段階のスケジュールに従い、その結果の予測は軽量な分析ブロックによって洗練される。 このブロックは電子数保存を強制し、1-RDMをAO計量の一般化等方性に向けて駆動し、ローディン配位密度の占有スペクトルを正則化する。 H$_2$O, CH$_4$, NH$_3$, HF, エタノール, NO$_3^-$の6つの閉殻系で、改良された1-RDMはSCF初期推定を提供し、標準初期化と比較して繰り返しステップを49-81\%削減する。 SCF加速の他に、学習された1-RDMは正確な1ショットの総エネルギーとヘルマン=ファインマン原子間力を与え、このモデルが化学的に有意義な電子構造を捉えることを示唆している。 これらの結果は、同変学習と解析的制約強制を組み合わせることで、解法-可解密度行列の初期化と高速化されたSCFワークフローへの単純で一般的な経路を提供することを示した。

関連論文リスト

• Generative Nested Sampling of Atomistic Thermodynamic Landscapes [37.547720439639015]
  フローベースネストサンプリングは重力波(GW)推論のボトルネックを取り除く。 PBC の LJ ディスクは, エネルギー評価を2桁以上, 壁面時を約3分の1以上削減することを示した。 PBCのLJディスクの場合、このアルゴリズムはエネルギー評価を2桁以上、壁時計時間はおよそ3分の1以上削減する。
  論文  参考訳（メタデータ） (2026-09-02T22:21:10Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
  コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。 繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。 我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
  論文  参考訳（メタデータ） (2026-08-24T23:05:42Z)
• Equivariant Continuous Normalizing Flows with Offline Sampling for Fermionic Ground State Estimation [0.0]
  フローは置換同変ニューラルODEとして実装される。 調和に閉じ込められたスピンレス電子系のトレーニングは、CISD基準値以下の基底状態エネルギーを示す。 スケーリング実験では、NERSCのPerlmutterスーパーコンピュータの32のGPUノードを使用して、1～128のNVIDIA A100のほぼ理想的なスケーリングを実証している。
  論文  参考訳（メタデータ） (2026-07-20T20:17:13Z)
• The Stability of Singular Distribution: A Spectral Perspective on the Two-Phase Dynamics of Language Model Pre-training [48.37150760049573]
  そこで我々は, スペクトル分布の安定性 (SoSD) を推定し, そこではトレース正規化特異値スペクトルが早期に安定化する。 我々は,SoSDと緩やかな周期の同期が多種多様なアーキテクチャで広く観測されていることを実証した。 我々は、WSDやMuonのような戦略をさらに解釈し、SOSDスケールを変調し、効率的な事前学習ダイナミクスを理解するためのスペクトルレンズを提供する。
  論文  参考訳（メタデータ） (2026-05-26T03:03:24Z)
• Low-rank compression of two-electron reduced density matrices [0.0]
  2体還元密度 (2RDM) は電子状態の2電子物理学を符号化するが、その準保存コストは実用上大きな限界をもたらす。 我々は,遷移と非遷移の2RDMの両方を圧縮し,それらのウェッジ生成物の構造と物理的対称性を保持する低ランク表現に変換するための簡単なプロトコルについて検討する。
  論文  参考訳（メタデータ） (2026-05-11T21:25:53Z)
• Manifold-Orthogonal Dual-spectrum Extrapolation for Parameterized Physics-Informed Neural Networks [5.601252185916962]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される力学系のモデリングにおいて顕著な成功を収めた。 物理演算子適応のための軽量マイクロアーキテクチャであるManifold-Orthogonal Dual-spectrum Extrapolation (MODE)を提案する。
  論文  参考訳（メタデータ） (2026-03-14T04:52:50Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Fast spectral separation method for kinetic equation with anisotropic non-stationary collision operator retaining micro-model fidelity [13.462104954140088]
  分子動力学シミュレーションから学習した1成分プラズマに対するデータ駆動衝突演算子を提案する。 提案した演算子は、粒子相関を考慮に入れた異方性非定常衝突カーネルを特徴とする。 数値実験により,提案モデルが適度に結合された状態下でのプラズマ力学を正確に捉えることを示した。
  論文  参考訳（メタデータ） (2025-10-16T19:27:03Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• 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)
• CryoSplat: Gaussian Splatting for Cryo-EM Homogeneous Reconstruction [48.45613121595709]
  低温電子顕微鏡(cryo-EM)は、分子構造をほぼ原子の分解能で決定するのに役立つ。 単一粒子Cryo-EMにおける中心的な計算課題は、未知の方向で取得されたノイズの多い2Dプロジェクションから分子の3次元静電ポテンシャルを再構築することである。 本稿では,GMMをベースとしたCryoSplatを提案し,Gaussian splattingとCryo-EM画像形成の物理を統合する。
  論文  参考訳（メタデータ） (2025-08-06T23:24:43Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• 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)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)

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。