論文の概要: Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations
- arxiv url: http://arxiv.org/abs/2606.00401v1
- Date: Fri, 29 May 2026 22:35:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.38583
- Title: Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations
- Title（参考訳）: 大規模電子構造計算の高速化のためのデータ駆動スペクトル予測
- Abstract要約: タンパク質二量体の新しい2TBデータセットを用いて学習した3つの機械学習モデルについて検討する。
予測されたスペクトルは、BigDFTの初期の自己一貫性フィールドイテレーションを効果的にバイパスする最初の推測を提供する。
これらのスペクトル予測器は、現在開発中のFrASEのような有理フィルタベースの固有解法を動的に最適化するためにデプロイされる。
- 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: Simulating large molecular systems comprising thousands of atoms requires highly scalable methodologies. While modern Density Functional Theory (DFT) codes exhibit linear scaling, solving the associated large, sparse generalized eigenproblems remains a critical computational bottleneck on exascale architectures. In the context of the LimitX project, we propose a data-driven framework to accelerate these calculations. By shifting the machine learning target from discrete eigenvalues to the coefficients of an interpolating Chebyshev polynomial, and by comparing both all-atom and fragment-based structural representations, we successfully overcome the dimensionality constraints of large-scale spectral prediction. We investigate three machine learning models (Kernel Ridge Regression, Graph Neural Networks, and Random Forests) trained on a novel 2 TB dataset of protein dimers. The predicted spectra provide initial guesses that effectively bypass early Self-Consistent Field (SCF) iterations in BigDFT. Ultimately, these spectral predictors will be deployed to dynamically optimize upcoming rational filter-based eigensolvers, such as FrASE, which is currently in initial development.
- Abstract（参考訳）: 何千もの原子からなる大きな分子系をシミュレーションするには、高度にスケーラブルな方法論が必要である。
現代の密度汎関数論(DFT)符号は線形スケーリングを示すが、関連する大きな一般化された固有確率を解くことは、エクサスケールアーキテクチャにおいて重要な計算ボトルネックである。
LimitXプロジェクトでは,これらの計算を高速化するデータ駆動型フレームワークを提案する。
機械学習の対象を離散固有値から補間チェビシェフ多項式の係数にシフトし、全原子および断片構造表現を比較して、大規模スペクトル予測の次元制約を克服することに成功した。
本稿では,新しい2TBのタンパク質二量体のデータセットをトレーニングした3つの機械学習モデル(Kernel Ridge Regression, Graph Neural Networks, Random Forests)について検討する。
予測スペクトルは、BigDFTの初期自己一貫性フィールド(SCF)イテレーションを効果的にバイパスする最初の推測を提供する。
最終的に、これらのスペクトル予測器は、現在開発中のFrASEのような有理フィルタベースの固有解法を動的に最適化するためにデプロイされる。
関連論文リスト
- Multimodal Molecular Representation Learning with Graph Neural Networks, Deep & Cross Networks, and SMILES Embeddings [2.9593641578445258]
3次元空間幾何学(SchNet)、離散トポロジカル文法(SMILES via ChemBERTa)、明示的なマクロ的物理化学的記述子(Deep & Cross Network)の3つのモードを合成するパラメータ効率のよいTri-Branch Modular Fusion Networkを導入する。
100万未満のパラメータで操作すると、このアーキテクチャは決定的に準化学的精度の閾値を超え、厳密に制御された幾何学的基準に対して20.6%の削減をもたらす。
論文 参考訳（メタデータ） (2026-07-07T01:47:44Z) - MALOQ: Massively Accelerated Learning of Operators for Quantum Transport [71.9141151643915]
MALOQは、少数の原子から100kの系の電子構造行列をトレーニングし、予測するために開発されたアプリケーションである。
分子ワイド分散フレームワークと比較して、エポック当たりの時間を30%以上削減する。
アルプススーパーコンピュータ上で3,000-12,000個の原子に対するスケーラブルなトレーニングと推論を実演する。
論文 参考訳（メタデータ） (2026-06-27T13:34:52Z) - Free Decompression with Algebraic Spectral Curves [45.17701640697655]
自由減圧法 (FD) は, 行列サイズにまたがるスペクトル情報を外挿する手法として最近提案されている。
本稿では、FDを容易に統合可能なスペクトル曲線に沿った進化として再考する。
現代の機械学習への関心モデルに対する我々のフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2026-05-05T11:03:48Z) - Scalable Learning of Multivariate Distributions via Coresets [48.02318786960811]
我々は,多変量条件変換モデル(MCTM)のための新しいコアセットの構築を行い,そのスケーラビリティと訓練効率を向上させる。
提案手法は,重要サンプリングによる大幅なデータ削減を実現する。
これまでコアセットが組み込まれてきた従来のフルパラメトリックモデルと比較して,我々の半パラメトリックアプローチは適応性の向上を示す。
論文 参考訳（メタデータ） (2026-03-20T09:28:43Z) - Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。
FCTNは多次元データ処理と解析において顕著な業績を残している。
定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2026-02-13T14:56:37Z) - Learning to Discover Iterative Spectral Algorithms [46.39331984989963]
AutoSpecは、大規模数値線形代数の反復スペクトルアルゴリズムを発見するニューラルネットワークフレームワークである。
代用数値線形代数タスクの探索アルゴリズムにAutoSpecを適用した。
実世界の解法では、学習された手順は精度および/またはカウントの減少のオーダー・オブ・マグニチュードの改善をもたらす。
論文 参考訳（メタデータ） (2026-02-10T08:39:59Z) - Beyond Structure: Invariant Crystal Property Prediction with Pseudo-Particle Ray Diffraction [23.89478649565297]
結晶特性予測は、従来の密度汎関数理論を用いて、大きな多体系に対して正確に解くことを計算的に禁止している。
グラフ表現の他に、独自の相互空間回折を利用するRDNetを導入する。
Materials Project、JARVIS-DFT、MatBenchで大規模な実験を行い、提案モデルが最先端の性能を達成することを実証した。
論文 参考訳（メタデータ） (2025-09-26T02:30:23Z) - Spectra-to-Structure and Structure-to-Spectra Inference Across the Periodic Table [49.65586812435899]
XAStructは、結晶構造からXASスペクトルを予測し、XAS入力から局所構造記述子を推測できる学習ベースのシステムである。
XAStructは、周期表全体にわたって70以上の要素にまたがる大規模なデータセットでトレーニングされている。
論文 参考訳（メタデータ） (2025-06-13T15:58:05Z) - TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。
TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。
また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文 参考訳（メタデータ） (2024-05-27T05:45:51Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳（メタデータ） (2023-06-05T21:08:34Z) - Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural
Network Emulators of Geophysical Turbulence [0.0]
しばしば見過ごされる処理ステップがエミュレータの予測品質にどのように影響するかを検討する。
1)空間ベクトル自己回帰(NVAR)の形式、(2)エコー状態ネットワーク(ESN)の形式。
いずれの場合も、トレーニングデータのサブサンプリングは、数値拡散に類似した小さなスケールでのバイアスの増加につながる。
論文 参考訳（メタデータ） (2023-04-28T21:34:53Z)
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。