論文の概要: Agentic multi-fidelity learning of quasiparticle and excitonic properties

• arxiv url: http://arxiv.org/abs/2606.07836v1
• Date: Fri, 05 Jun 2026 20:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.478424
• Title: Agentic multi-fidelity learning of quasiparticle and excitonic properties
• Title（参考訳）: 準粒子のエージェント多忠実学習と励起特性
• Authors: Arnab Neogi, Aaron Forde, Christopher A. Lane, Sergei Tretiak, Jian-Xin Zhu,
• Abstract要約: 低次元ナノ材料における電子構造と光学特性の正確なシミュレーションには多体GW-Bethe-Salpeter方程式が不可欠である。 ひずみしたMoS2-WS2二層膜におけるGW-Bethe-Salpeter励起状態景観を補正するためのエージェント誘導多面体フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5219568203653523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many-body GW-Bethe-Salpeter equation calculations are essential for accurate simulations of electronic structure and optical properties in modern low-dimensional nanomaterials. However, these methods are computationally demanding and can exhibit localized numerical instabilities or convergence failures that are difficult to detect within high-throughput workflows. We introduce an agent-guided multi-fidelity framework for correcting GW-Bethe-Salpeter excited-state landscapes in strained MoS2-WS2 bilayers. Across stacking registries, strain branches and reciprocal-space samplings, the workflow identifies spike-like excursions, near-zero-gap collapse and cross-fidelity inconsistencies associated with fragile long-wavelength dielectric screening. A structural agent evaluates calculations by assigning confidence weights and selectively using a small number of high-accuracy reference points. Machine learning models then transfer information across related systems and apply Gaussian process corrections to recover improved quasiparticle gaps and exciton binding energies, with calibrated uncertainty estimates. The approach corrects numerically induced artifacts without erasing physical strain dependence and substantially improves agreement with higher-fidelity references relative to a no-agent baseline. These results show that reliable surrogate learning for excited-state materials requires explicit diagnosis of numerical fragility, not direct interpolation of raw first-principles data points. The proposed framework is readily transferable to other optoelectronic nanomaterials characterized by strong quantum confinement, such as quantum dots, nanoribbons, layered two-dimensional semiconductors, and hybrid perovskite nanostructures.
• Abstract（参考訳）: 多体GW-Bethe-Salpeter方程式計算は、現代の低次元ナノ材料における電子構造と光学特性の正確なシミュレーションに不可欠である。 しかし、これらの手法は計算的に要求され、高スループットワークフロー内では検出が難しい局所的な数値不安定性や収束不良を示すことができる。 ひずみしたMoS2-WS2二層膜におけるGW-Bethe-Salpeter励起状態景観を補正するためのエージェント誘導多面体フレームワークを提案する。 スタックングレジストリ、ストレインブランチ、相互空間サンプリングの他、ワークフローは、脆弱な長波長誘電体スクリーニングに関連するスパイクのようなエクサレーション、ほぼゼロギャップの崩壊、相互不整合を識別する。 構造エージェントは、信頼度を割り当て、少数の高精度基準点を用いて選択的に計算を評価する。 機械学習モデルは関連するシステム間で情報を伝達し、ガウス過程の補正を適用し、改良された準粒子ギャップとエキシトン結合エネルギーをキャリブレーションされた不確実性推定で回復する。 提案手法は, 物理的ひずみ依存を消去することなく数値的に誘導されたアーティファクトを補正し, 非エージェントベースラインに対する高忠実度基準との整合性を大幅に改善する。 これらの結果から, 励起状態材料に対する信頼できる代理学習は, 生の第一原理データ点の直接補間ではなく, 数値的不安定性の明確な診断を必要とすることが示唆された。 提案手法は量子ドット,ナノリボン,層状2次元半導体,ハイブリッドペロブスカイトナノ構造などの強い量子閉じ込めを特徴とする他の光電子ナノ材料に容易に伝達可能である。

関連論文リスト

• 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)
• Quantum Hall Effect at 0.002T [46.680073344221626]
  超薄い六方晶窒化ホウ素層で分離した二層グラフェンアーキテクチャを用いて, 外部不均一性の顕著な低減効果を示した。 シュブニコフ・デ・ハース振動は1mT以下の磁場で発生し、整数量子ホールの特徴は0.002Tで観測される。 これらの結果は、グラフェン系ヘテロ構造における強相関電子相の研究にプラットフォームが適していることを示す。
  論文  参考訳（メタデータ） (2026-01-22T14:40:33Z)
• Operator Lanczos Approach enabling Neural Quantum States as Real-Frequency Impurity Solvers [0.0]
  ニューラル量子状態(NQS)に基づく実周波数不純物解法を提案する。 我々はこの能力を利用して、システマティックに実装可能なSegmented Commutator Operator-Lanczos構成を用いて、多軌道不純物問題を解決する。 単軌道アンダーソンモデルと多軌道ハバード・カナモリ不純物ハミルトニアンのベンチマークでは、ゼロ温度スペクトル関数と自己エネルギーを正確に解く能力と優れた基底状態精度が示された。
  論文  参考訳（メタデータ） (2025-12-09T14:10:22Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Homogenization with Guaranteed Bounds via Primal-Dual Physically Informed Neural Networks [0.6999740786886536]
  本稿では、熱伝導性複合材料の均質化の信頼性を向上させるために、PINNフレームワークの二重定式化を提案する。 我々は,スムーズな材料近似に適用された標準PINNと,スペクトルとニューラルネットワークを用いたテスト関数を用いて変動PINN(VPINN)を比較した。 以上の結果から,強い形状のPINNは制御条件下でVPINNよりも優れているが,物質的不連続性に敏感であり,明確な診断なしに失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-09T10:42:55Z)
• Accurate, transferable, and verifiable machine-learned interatomic potentials for layered materials [0.0]
  ツイストされた層状バンダーワールス材料は、しばしば、非ツイストの材料に欠如しているユニークな電子的および光学的特性を示す。 本稿では、層内相互作用と層間相互作用を分離する、マシン学習型原子間ポテンシャルとデータセットキュレーション手法を提案する。 本手法は,様々な層内相互作用モデルや層間相互作用モデルとシームレスに統合し,モワール材料の計算的緩和を可能にする。
  論文  参考訳（メタデータ） (2025-03-19T17:14:02Z)
• 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)
• From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields [5.013279299982324]
  本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。 SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
  論文  参考訳（メタデータ） (2023-09-21T09:22:05Z)
• A multiconfigurational study of the negatively charged nitrogen-vacancy center in diamond [55.58269472099399]
  広帯域ギャップ半導体の深い欠陥は、量子センシングと情報応用を実現するための主要な量子ビット候補として現れている。 ここでは、単一粒子処理とは異なり、伝統的に原子/分子に予約されていた多重構成量子化学法は、これらの欠陥中心の電子状態の多体特性を正確に記述する。
  論文  参考訳（メタデータ） (2020-08-24T01:49:54Z)

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。