論文の概要: ML and AI for density functional theory: different priorities for Kohn-Sham and orbital-free DFT, for electronic and nuclear DFT

• arxiv url: http://arxiv.org/abs/2607.04095v1
• Date: Sun, 05 Jul 2026 03:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.828587
• Title: ML and AI for density functional theory: different priorities for Kohn-Sham and orbital-free DFT, for electronic and nuclear DFT
• Title（参考訳）: 密度汎関数理論のためのMLとAI:電子・核DFTのためのKohn-Shamと軌道自由DFTの異なる優先順位
• Abstract要約: 機械学習(ML)と人工知能(AI)技術で対処できる計算ボトルネックと精度要件の類似点と相違点を示す。 我々は、ある機械が交換相関関数(XC)、運動エネルギー汎関数(KEF)、あるいは密度を学習するかどうかによって、様々な有望な方法論とアルゴリズムの選択を強調した。 より広範に研究されているML強化電子DFTから核DFTへの有望なアプローチを指摘する。
• 参考スコア（独自算出の注目度）: 0.03580891736370874
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We overview similarities and, importantly, differences in computational bottlenecks and accuracy requirements that can be addressed with machine learning (ML) and artificial intelligence (AI) techniques in electronic and nuclear DFT. From these follow different promising methodological and algorithmic choices depending on whether one machine learns the exchange correlation (XC) functional, the kinetic energy functional (KEF), the density or the basis functions. In particular, while the popular deep neural networks remain a potent choice in the context of KS DFT, we highlight their disadvantages when building KEFs and highlight conceptual advantages - yet to be fully realized - of symbolic regression for both electronic and nuclear DFT. We point out promising approaches that can be carried from the more extensively investigated ML-enhanced electronic DFT to nuclear DFT.
• Abstract（参考訳）: 電子・核DFTにおける機械学習(ML)と人工知能(AI)技術で対処できる計算ボトルネックと精度要件の相違について概説する。 これらから、ある機械が交換相関(XC)関数、運動エネルギー関数(KEF)、密度または基底関数を学習するかどうかによって、様々な有望な方法論とアルゴリズムの選択に従う。 特に、人気のあるディープニューラルネットワークは、KS DFTの文脈では強力な選択肢であるが、我々は、KEFを構築する際の彼らのデメリットを強調し、電子的および核的DFTの象徴的回帰の概念的アドバンテージ(まだ完全には実現されていない)を強調している。 より広範に研究されているML強化電子DFTから核DFTへの有望なアプローチを指摘する。

関連論文リスト

• Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
  非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。 本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
  論文  参考訳（メタデータ） (2026-02-03T12:01:39Z)
• DimINO: Dimension-Informed Neural Operator Learning [41.37905663176428]
  Diminoは次元分析にインスパイアされたフレームワークである。 既存のニューラル演算子アーキテクチャにシームレスに統合することができる。 PDEデータセットで最大76.3%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Grad DFT: a software library for machine learning enhanced density functional theory [0.0]
  密度汎関数理論(DFT)は、計算量子化学と材料科学の基盤となっている。 最近の研究は、機械学習がDFTの能力をいかに拡張できるかを探求し始めている。 我々は、完全に差別化可能なJAXベースのDFTライブラリであるGrad DFTを紹介し、高速なプロトタイピングと機械学習による交換相関エネルギー関数の実験を可能にする。
  論文  参考訳（メタデータ） (2023-09-23T00:25:06Z)
• Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery [2.7810723668216575]
  従来のDFTベース機械学習(ML)で典型的なものを超える精度、効率、アプローチに必要な進歩について述べる。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。 DFTが高スループットのスクリーンで所定のデータポイントを信頼するには、一連のテストに合格しなければならない。
  論文  参考訳（メタデータ） (2022-05-06T00:34:50Z)
• Density Functional Theory Transformed into a One-electron Reduced Density Matrix Functional Theory for the Capture of Static Correlation [0.0]
  密度汎関数理論(DFT)は強い相関系の電子構造を正確に記述することができない。 DFT は 1-電子還元密度行列 (1-RDM) 関数理論に変換可能であることを示す。 本手法は化学構造とプロセスにおける静的相関の記述において従来のDFTよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-01-11T01:41:53Z)
• Deep-Learning Density Functional Theory Hamiltonian for Efficient ab initio Electronic-Structure Calculation [13.271547916205675]
  結晶材料のDFTハミルトニアン(ディープH)を表現するためのディープニューラルネットワーク手法を開発した。 この方法はDFTの精度効率ジレンマに対する解決策を提供し、大規模材料システムを探究する機会を開放する。
  論文  参考訳（メタデータ） (2021-04-08T14:08:10Z)
• 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)

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。