論文の概要: Neural-Network Solutions to Real-Space Charge Density and Generalization
- arxiv url: http://arxiv.org/abs/2609.14906v1
- Date: Mon, 14 Sep 2026 01:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.03099
- Title: Neural-Network Solutions to Real-Space Charge Density and Generalization
- Title（参考訳）: 実空間電荷密度と一般化のためのニューラルネットワーク解法
- Abstract要約: 実空間電荷密度を解くためにAIDENを提案する。
連続低ランクガウスデコーダは任意の空間座標で密度を再構成する。
AIDENはベースラインモデルと完全なSCF計算の両方よりもはるかに高速な推論を提供する。
- 参考スコア（独自算出の注目度）: 0.28074364079901015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Hohenberg-Kohn theorem establishes that, in principle, the ground state (GS) charge density contains all GS information of a many-electron system, such that all GS observables can be expressed as functionals of the GS charge density. Conventional Kohn-Sham density functional theory requires iterative solution of the self-consistent-field equations at substantial computational cost, motivating the development of deep learning surrogates for electronic structure calculations and, in turn, accelerating computer-aided materials design. Here, we propose \textbf{AIDEN}, an \underline{A}tomic-\underline{I}nteraction \underline{D}ensity \underline{E}quivariant \underline{N}etwork for solving real-space charge density. AIDEN separates the element-dependent one-center density from environment-induced density redistribution and represents the latter through complementary atom- and edge-centered tensor correlations. A continuous low-rank Gaussian decoder then reconstructs the density at arbitrary spatial coordinates while reusing atomic encodings independently of the evaluation grid. AIDEN achieves state-of-the-art accuracy on periodic crystal benchmarks while remaining competitive for molecular systems, and further demonstrates zero-shot transferability across several structurally distinct out-of-distribution case studies. Furthermore, AIDEN provides substantially faster inference than both baseline models and full SCF calculations, enabling efficient charge density reconstruction for large-scale electronic structure calculations.
- Abstract（参考訳）: ホヘンベルク・コーンの定理は、基底状態(GS)電荷密度が多電子系のすべてのGS情報を含み、すべてのGS可観測物がGS電荷密度の関数として表現できることを原理として定めている。
従来のコーン・シャム密度汎関数理論では、自己整合体方程式を相当な計算コストで反復解し、電子構造計算のための深層学習サロゲートの開発を動機付け、コンピュータ支援材料の設計を加速させる必要がある。
ここでは、実空間電荷密度を解くために、 {textbf{AIDEN}, an \underline{A}tomic-\underline{I}nteraction \underline{D}ensity \underline{E}quivariant \underline{N}etworkを提案する。
AIDENは、元素依存の1中心密度と環境誘起密度の再分配を分離し、相補的な原子とエッジ中心のテンソル相関によって後者を表現する。
連続低ランクガウス復号器は、評価格子とは独立に原子エンコーディングを再利用しながら任意の空間座標で密度を再構成する。
AIDENは、分子系の競争力を維持しながら、周期的結晶ベンチマークの最先端の精度を達成し、さらにいくつかの構造的に異なる分布外ケーススタディにおけるゼロショット転送可能性を示す。
さらに、AIDENはベースラインモデルとフルSCF計算の両方よりもかなり高速な推論を提供し、大規模な電子構造計算のための効率的な電荷密度再構成を可能にする。
関連論文リスト
- Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory [57.90994363143731]
コーン-シャム密度汎関数理論(DFT)は電子構造シミュレーションの基盤となる。
繰り返しの軌道対角化は立方体スケーリングをもたらし、量子計算を控えめなスケールに制限する。
我々は、コーン・シャムポテンシャルを対応する密度と非相互作用運動エネルギーに直接マッピングする軌道自由DFTの学習目標を開発する。
論文 参考訳（メタデータ） (2026-08-24T23:05:42Z) - OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers [68.73273027298625]
メガコンステレーションは、宇宙データセンター(SDC)の長期的なビジョンを推進している
AirCompはフリースペース(FSO)を学習するためのネットワーク内集約フレームワーク
AirVoteは符号勾配(SGD)と多数符号変調(PPM)を統合し、各衛星はPPMタイムスロットを活性化することで局所勾配を伝達する。
OptiVoteは位相依存性電場重ね合わせを位相非依存光強度結合に緩和する。
論文 参考訳（メタデータ） (2025-12-30T16:40:02Z) - A Fokker-Planck-Based Loss Function that Bridges Dynamics with Density Estimation [1.8434042562191815]
力学系モデルと確率密度関数を結びつけるフォッカー・プランク方程式から新しい損失関数を導出する。
密度推定のために,正規化フローモデルとガウス混合モデルを統合する密度推定器を提案する。
これは、最大可能性とスコアマッチングを含む、さまざまなデータベースのトレーニング手法と互換性がある。
論文 参考訳（メタデータ） (2025-02-24T22:27:25Z) - NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。
深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-22T15:24:08Z) - Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。
耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。
距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文 参考訳（メタデータ） (2024-02-22T16:33:48Z) - Orbital-Free Density Functional Theory with Continuous Normalizing Flows [54.710176363763296]
軌道自由密度汎関数理論(OF-DFT)は、分子電子エネルギーを計算する別のアプローチを提供する。
我々のモデルは様々な化学系の電子密度を再現することに成功した。
論文 参考訳（メタデータ） (2023-11-22T16:42:59Z) - KineticNet: Deep learning a transferable kinetic energy functional for
orbital-free density functional theory [13.437597619451568]
KineticNetは、分子二次格子上の量の予測に適応した点畳み込みに基づく、同変のディープニューラルネットワークアーキテクチャである。
初めて、学習された関数の化学的精度は、小さな分子の入力密度とジオメトリーによって達成される。
論文 参考訳（メタデータ） (2023-05-08T17:43:31Z) - Electronic-structure properties from atom-centered predictions of the
electron density [0.0]
分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。
最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。
予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
論文 参考訳（メタデータ） (2022-06-28T15:35:55Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳（メタデータ） (2021-10-11T09:00:33Z) - Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。
これは、核と凝縮物質物理学における将来の応用の道を開くものである。
論文 参考訳（メタデータ） (2021-10-05T15:16:13Z)
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。