論文の概要: MALOQ: Massively Accelerated Learning of Operators for Quantum Transport

• arxiv url: http://arxiv.org/abs/2606.28911v1
• Date: Sat, 27 Jun 2026 13:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.728529
• Title: MALOQ: Massively Accelerated Learning of Operators for Quantum Transport
• Title（参考訳）: MALOQ: 量子輸送のための演算子の大規模高速化学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 71.9141151643915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine-learned (ML) operator models can be trained to predict density functional theory (DFT) Hamiltonian/density matrices at significantly reduced computational cost, thus extending electronic-structure calculations to previously unfeasible scales. Here, we introduce MALOQ (Massively Accelerated Learning of Operators for Quantum Transport), an application built to train on and predict electronic-structure matrices for systems made of few to 100k atoms, described by large basis sets, and covering a wide range of atomic elements. Based on a state-of-the-art, SO(2)-equivariant backbone architecture, MALOQ provides (i) custom data-processing kernels to handle high-rank Hamiltonian matrix data and (ii) a scalable edge-wise distribution of atomic graph(s). Trained on the largest molecular Hamiltonian datasets available today, it reduces time-per-epoch by over 30% compared to a molecule-wise-distributed framework, and enables inference on material graphs of arbitrary size. We demonstrate scalable training and inference for 3,000-12,000 atoms on the Alps supercomputer, up to 192 GPUs and 256 GPUs, respectively.
• Abstract（参考訳）: 機械学習(ML)演算子は、密度汎関数理論(DFT)ハミルトン/密度行列を計算コストを大幅に削減し、電子構造計算を従来不可能なスケールにまで拡張するために訓練することができる。 ここではMALOQ(Massively Accelerated Learning of Operators for Quantum Transport)を紹介する。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、予測するためのアプリケーションで、大きな基底集合によって記述され、幅広い原子要素をカバーする。 MALOQは最先端のSO(2)等価なバックボーンアーキテクチャをベースにしている (i)ハイランクハミルトン行列データと処理するカスタムデータ処理カーネル (ii)原子グラフのスケーラブルなエッジワイド分布。 今日利用可能な最大の分子ハミルトニアンデータセットに基づいてトレーニングされたこのデータセットは、分子ワイド分散フレームワークと比較して、エポック毎の時間を30%以上削減し、任意の大きさの物質グラフの推論を可能にする。 Alpsスーパーコンピュータ上で,最大192個のGPUと256個のGPUに対して,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。

関連論文リスト

• Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-29T22:35:15Z)
• 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)
• Facet: highly efficient E(3)-equivariant networks for interatomic potentials [6.741915610607818]
  計算材料発見は、第一原理計算の高コストによって制限される。 結晶構造からエネルギーを予測する機械学習のポテンシャルは有望だが、既存の手法では計算のボトルネックに直面している。 効率的なMLポテンシャルのためのGNNアーキテクチャであるFacetを提案する。
  論文  参考訳（メタデータ） (2025-09-10T09:06:24Z)
• Distributed Equivariant Graph Neural Networks for Large-Scale Electronic Structure Prediction [76.62155593340763]
  密度汎関数理論(DFT)データに基づいて訓練された等価グラフニューラルネットワーク(eGNN)は、前例のない規模で電子構造予測を行う可能性がある。 しかし、このタスクに必要なグラフ表現は密結合である傾向がある。 本稿では,直接GPU通信を利用する分散eGNNの実装と,入力グラフの分割戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-04T23:53:47Z)
• Supervised binary classification of small-scale digit images and weighted graphs with a trapped-ion quantum processor [56.089799129458875]
  捕捉された171ドルYb$+$イオンに基づく量子プロセッサのベンチマーク結果を示す。 リングトポロジを持つ小さな二進数画像と重み付きグラフの2種類のデータセットに対して、教師付き二進分類を行う。
  論文  参考訳（メタデータ） (2024-06-17T18:20:51Z)
• 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)
• Quantum Semi-Supervised Kernel Learning [4.726777092009554]
  本稿では,セミスーパービジョンカーネル支援ベクトルマシンを学習するための量子機械学習アルゴリズムを提案する。 完全教師付き量子LS-SVMと同じスピードアップを維持していることを示す。
  論文  参考訳（メタデータ） (2022-04-22T13:39:55Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。