論文の概要: Derivative Informed Learning of Exchange-Correlation Functionals
- arxiv url: http://arxiv.org/abs/2606.04279v1
- Date: Tue, 02 Jun 2026 23:07:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.421824
- Title: Derivative Informed Learning of Exchange-Correlation Functionals
- Title（参考訳）: 交換相関関数の微分インフォームド学習
- Abstract要約: 機械学習 (ML) Exchange-correlation (XC) 関数は、人間の設計した密度関数近似を置き換えることを目的としている。
我々は,B3LYP/def2-SVPターゲットを再現するために,$mathcalO(N4)$-scaling ML-XC関数を訓練したハイブリッド蒸留条件について検討した。
本稿では、参照ハイブリッド関数からの付加情報を含む損失であるデリバティブインフォームドXC-ロス(DI-Loss)を紹介する。
- 参考スコア（独自算出の注目度）: 46.44973075720396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine-learned (ML) exchange-correlation (XC) functionals aim to replace human-designed density functional approximations by learning directly from reference data, but they still do not consistently outperform traditional $\mathcal{O}(N^4)$-scaling hybrid functionals. We study a hybrid-distillation setting in which $\mathcal{O}(N^3)$-scaling ML-XC functionals are trained to reproduce B3LYP/def2-SVP targets. We introduce Derivative Informed XC-Loss (DI-Loss), a loss that incorporates additional information from the reference hybrid functional by supervising first and second derivatives of the energy on the Grassmannian of admissible density matrices. Rather than only matching the self-consistent fixed point, DI-Loss aligns the local first- and second-order response of the learned functional with that of the target functional. Across four evaluated architectures, DI-Loss consistently improves the main energy metrics. Averaged uniformly across architectures, the total-energy MAE decreases by 66% relative to energy and density supervision alone. The density-sensitive mean-field energy metric $E_ρ$ improves from $1.2$ to $0.8$ mEh on average, while dipole and $\mathcal{L}_2$ density errors do not improve uniformly. We further show that densities from the distilled functionals reduce hybrid-functional SCF iterations by up to 50%. In downstream TDDFT calculations, Hessian supervision improves excited-state predictions, with XCdiff reducing the mean excitation-energy MAE by 19 - 35%.
- Abstract（参考訳）: 機械学習 (ML) Exchange-correlation (XC) 関数は、参照データから直接学習することで、人間の設計した密度関数近似を置き換えることを目的としているが、従来の$\mathcal{O}(N^4)$-scalingハイブリッド関数よりも一貫して優れているわけではない。
我々は,B3LYP/def2-SVPターゲットを再現するために,$\mathcal{O}(N^3)$-scaling ML-XC関数を訓練したハイブリッド蒸留条件について検討した。
導電性インフォームドXC-ロス(DI-ロス)は、許容密度行列のグラスマン行列上のエネルギーの第1および第2微分を監督することにより、参照ハイブリッド関数からの付加情報を含む損失である。
自己一貫性のある固定点のみをマッチングするのではなく、DI-ロスは学習関数の局所的な1階と2階の応答と対象関数の応答とを一致させる。
4つの評価されたアーキテクチャで、DI-Lossは主要なエネルギーメトリクスを一貫して改善する。
建築全体の平均エネルギーは、エネルギーと密度の監督だけで66%減少する。
密度に敏感な平均場エネルギーメートル法である$E_ρ$は平均で1.2$から0.8$ mEhに改善されるが、双極子と$\mathcal{L}_2$密度誤差は均一に改善されない。
さらに, 蒸留された官能基の密度は, ハイブリッド機能SCFの繰り返しを最大50%減少させることを示した。
下流のTDDFT計算では、ヘッセン監督は励起状態の予測を改善し、XCdiffは平均励起エネルギーMAEを19～35%削減する。
関連論文リスト
- A variational physics-informed graph neural network for heterogeneous solid mechanics [0.0]
本研究は, 実験場ではなく, 離散化によってコンフォーメーションを導出する, 変分・ラベルなし物理インフォームドグラフニューラルネットワーク(PI-GNN)を提案する。
論文 参考訳（メタデータ） (2026-09-10T02:02:32Z) - The Forgotten History of Wave Function Variance Optimization and its Relevance for Neural-Network VMC [0.0]
分散の最小化は暗黙的にガウスの局所エネルギー分布を仮定する。
クーロン系では、局所的なエネルギー分布はE-4$のパワーローテールを示し、中央極限定理は分散推定器に失敗する。
我々はこれらの関数を核間距離毎に正確に解けるシステムである$H+$でベンチマークする。
建設によるエネルギーの最小化は最低エネルギーを得るが、分散の最小化は代替関数によってR$ごとに超える。
論文 参考訳（メタデータ） (2026-09-08T08:53:17Z) - High-Probability Convergence in Decentralized Stochastic Optimization with Gradient Tracking [69.90407799170687]
分散最適化における高確率収束保証について検討する。
その結果, 地平線上の条件は, 比較時間と同一であることがわかった。
論文 参考訳（メタデータ） (2026-04-30T22:45:21Z) - go-$m$HC: Direct Parameterization of Manifold-Constrained Hyper-Connections via Generalized Orthostochastic Matrices [0.0]
一般化直交行列の理論に基づく新しい正確なパラメータ化を導入する。
このパラメータ化をgo-$m$HCでインスタンス化する。
提案手法はKronecker-factorized法により自然に構成され, FLOPのコストがほぼ同じである。
論文 参考訳（メタデータ） (2026-04-02T17:51:19Z) - Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations [58.188204772101756]
本稿では,最近開発された Wiener Chaos Expansion (WCE) ベースのニューラル演算子 (NO) を特異偏微分方程式に適用する方法について検討する。
特徴量線形変調(FiLM)を利用して特異SPDEの解とその滑らかな残差の依存性を適切に把握する。
得られたWCE-FiLM-NOは、相対的な$L$損失、アウト・オブ・ディストリビューション、自己相関スコアによって測定された、$boldsymbol4$に対して優れた性能を示す。
論文 参考訳（メタデータ） (2026-03-09T10:50:30Z) - Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
3次元分子生成は、薬物発見と物質科学に不可欠である。
既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。
我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
論文 参考訳（メタデータ） (2025-03-19T08:56:13Z) - Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。
EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - eQE 2.0: Subsystem DFT Beyond GGA Functionals [58.720142291102135]
サブシステム-DFT (subsystem-DFT) は、大規模電子構造計算の計算コストを劇的に削減することができる。
sDFTの鍵となる要素は、その精度を支配する非付加的な運動エネルギーと交換相関関数である。
eQE 2.0は従来のコーンシャムDFTやCCSD(T)と比較して優れた相互作用エネルギーを提供する
論文 参考訳（メタデータ） (2021-03-12T22:26:36Z) - Too big, too small or just right? A benchmark assessment of density
functional theory for predicting the spatial extent of the electron density
of small chemical systems [0.0]
100個の小分子に対して$mathcalK$のプリニカル成分のベンチマークデータセットを開発した。
このデータセットに対して、47の人気度と最近の密度関数の性能を評価した。
論文 参考訳（メタデータ） (2020-11-25T08:00:31Z)
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。