論文の概要: A Fixed-Point Neural Operator for Size- and Functional-Transferable Hamiltonian Prediction

• arxiv url: http://arxiv.org/abs/2606.14498v1
• Date: Fri, 12 Jun 2026 14:31:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.933879
• Title: A Fixed-Point Neural Operator for Size- and Functional-Transferable Hamiltonian Prediction
• Title（参考訳）: サイズおよび機能遷移可能なハミルトニアン予測のための固定点ニューラル演算子
• Authors: Yunhong Lou, Xihang Yue, Xinran Wei, Tianqi Deng, Linchao Zhu,
• Abstract要約: HamEvoは単一ステップの自己整合更新を学習し、収束したハミルトニアンを固定点として返すニューラル演算子である。 推論は従来のDFTの242倍高速である。
• 参考スコア（独自算出の注目度）: 42.288858735711905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the Kohn-Sham Hamiltonian with machine learning can accelerate density functional theory while retaining access to molecular orbitals, energy levels, and electronic-structure observables that energy-only surrogates cannot resolve. Yet element-wise agreement with the converged Hamiltonian, an implicit fixed point of the self-consistent field iteration, does not determine the occupied subspace that governs orbital energies and densities. Here we present HamEvo, a neural operator that learns the single-step self-consistent update and returns the converged Hamiltonian as its fixed point. HamEvo is pre-trained on intermediate self-consistent trajectories and calibrated at equilibrium with density-matrix supervision. Across benchmarks from MD17 to drug-like QMugs, HamEvo lowers Hamiltonian errors by 35-49% over direct-regression and deep-equilibrium baselines, and predicts QMugs HOMO and LUMO energies with mean absolute errors of 0.036 and 0.053 eV, near the 1 kcal/mol chemical-accuracy scale. Few-shot fine-tuning with only 20 reference conformations extends HamEvo to molecules of up to 122 atoms, well beyond the size range covered by pre-training. With thermal molecular-dynamics sampling, HamEvo captures temperature-dependent HOMO-LUMO gap renormalization beyond the harmonic approximation. Inference is up to 242 times faster than conventional DFT.
• Abstract（参考訳）: コーン・シャム・ハミルトニアンを機械学習で予測することは密度汎関数理論を加速し、分子軌道、エネルギー準位、電子構造観測器へのアクセスを保ち、エネルギーのみのサロゲートは解決できない。 しかし、自己整合体反復の暗黙の固定点である収束ハミルトニアンとの要素的合意は、軌道エネルギーと密度を支配する占有部分空間を決定するものではない。 ここでは、単一ステップの自己整合性更新を学習し、収束したハミルトニアンを固定点として返すニューラル演算子であるハメボを紹介する。 ハメヴォは中間的な自己整合軌道で事前訓練され、密度行列の監督と平衡で校正される。 MD17から薬物のようなQMugsへのベンチマークで、HamEvoはハミルトンの誤差を直接回帰と深い平衡ベースラインで35-49%減らし、QMugs HOMOとLUMOのエネルギーを平均絶対誤差0.036と0.053 eVで予測する。 20個の基準配座しか持たない微調整は、ハメヴォを最大122個の原子の分子に拡張する。 熱分子動力学サンプリングでは、ハメボは調和近似を超えた温度依存性のHOMO-LUMOギャップ再正規化を捉えている。 推論は従来のDFTの242倍高速である。

関連論文リスト

• Learning from the electronic structure of molecules across the periodic table [5.587550586452765]
  機械学習型原子間ポテンシャル(MLIP)は、力とエネルギーを学ぶために大量の原子構造データを必要とする。 我々は、原子レベル特性のトレーニングパイプラインに向けて、軌道相互作用データをHに組み込むためのレシピを提供する。
  論文  参考訳（メタデータ） (2025-09-30T19:50:41Z)
• High-order Equivariant Flow Matching for Density Functional Theory Hamiltonian Prediction [33.80232169378903]
  深層学習の手法は ハミルトン人を直接予測することで このステップをバイパスする方法として 注目を集めています 分子幾何学に基づくハミルトン行列を生成する高次同変フローマッチングフレームワークQHFlowを提案する。 フローマッチングモデルは単純な先行点と複雑な対象点の間の連続時間軌道をモデル化し、直接回帰ではなくハミルトン分布上の構造的分布を学習する。
  論文  参考訳（メタデータ） (2025-05-24T18:23:28Z)
• Enhancing the Scalability and Applicability of Kohn-Sham Hamiltonians for Molecular Systems [11.085215676429858]
  我々は、物理精度で密度汎関数理論計算のためのスケーラブルなモデルを作成する。 その結果, 総エネルギー予測誤差を1347倍, SCF計算速度を18%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-26T15:36:25Z)
• QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
  QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。 現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
  論文  参考訳（メタデータ） (2023-06-15T23:39:07Z)
• Evolution of a Non-Hermitian Quantum Single-Molecule Junction at Constant Temperature [62.997667081978825]
  常温環境に埋め込まれた非エルミート量子系を記述する理論を提案する。 確率損失と熱ゆらぎの複合作用は分子接合の量子輸送を補助する。
  論文  参考訳（メタデータ） (2021-01-21T14:33:34Z)
• Probing eigenstate thermalization in quantum simulators via fluctuation-dissipation relations [77.34726150561087]
  固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。 本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。 我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
  論文  参考訳（メタデータ） (2020-07-20T18:00:02Z)

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。