論文の概要: Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy

• arxiv url: http://arxiv.org/abs/2609.17063v1
• Date: Tue, 15 Sep 2026 12:08:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.497693
• Title: Development of a Physics-Informed Neural Framework, MEOWN, for Rapid Prediction of Muon Stopping Sites in Crystalline Materials, for understanding Quantum Magnet employing Muon Spectroscopy
• Title（参考訳）: 結晶材料のミューオン停止部位の迅速予測のための物理インフォームニューラルネットワークMEOWNの開発 : ミューオン分光による量子マグネットの理解
• Abstract要約: ミューオンスピン回転/緩和は、新興量子材料における磁気秩序、スピンダイナミクス、超伝導、複雑な磁性相を理解するための最も強力な顕微鏡プローブの1つである。 そこで我々は,P-UEPモデルと機械学習誘導最適化と対称性駆動緩和を組み合わせた,機械学習に基づく物理インフォーム型計算フレームワークMEOWNを開発し,結晶固体中のエネルギ的に好ましいミューオン停止部位を予測する。 MEOWNは、静電気相互作用、電子スクリーニング、偏光効果、ゼロ点運動を学習ワークフローに明示的に組み込み、計算コストを大幅に削減した物理的解釈可能な予測を提供する
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Muon-spin rotation/relaxation is one of the most powerful microscopic probes for understanding magnetic order, spin dynamics, superconductivity, and complex magnetic phases in emerging quantum materials. Quantitative interpretation depends critically on the accurate identification of the muon stopping site, a problem traditionally addressed using density functional theory-based structural relaxation. However, conventional DFT approaches are computationally demanding, time-consuming, and require extensive calculations. Here, we develop MEOWN (Muon Engine for Optimized Weighted Networks), a machine-learning-based, physics-informed computational framework that combines a Polarizable Unperturbed Electrostatic Potential (P-UEP) model with machine-learning-guided optimization and symmetry-driven relaxation to predict energetically favorable muon stopping sites in crystalline solids. MEOWN explicitly incorporates electrostatic interactions, electronic screening, polarization effects, and zero-point motion into the learning workflow, providing physically interpretable predictions with substantially reduced computational cost while maintaining physical consistency and scientific rigor. To validate the framework, we investigated several well-established benchmark materials, including MnSi, CoF2, CaF2, LiF, and NaF. The predicted muon stopping sites and dipolar fields are in close agreement with previously reported DFT+mu results, demonstrating the reliability and transferability of the approach across chemically diverse systems. Notably, MEOWN predicts the equilibrium muon stopping site within a few minutes, offering a significant speedup over conventional DFT-based calculations. This manuscript presents the theoretical foundations, computational methodology, and validation of MEOWN as a general-purpose software for rapid and reliable muon stopping-site prediction in crystalline materials.
• Abstract（参考訳）: ミューオンスピン回転/緩和は、新興量子材料における磁気秩序、スピンダイナミクス、超伝導、複雑な磁性相を理解するための最も強力な顕微鏡プローブの1つである。 定量的解釈は、密度汎関数理論に基づく構造緩和を用いて伝統的に解決された問題であるミューオン停止部位の正確な同定に批判的に依存する。 しかし、従来のDFTアプローチは計算に必要であり、時間を要する。 そこで我々は, 偏光性未摂動静電ポテンシャル(P-UEP)モデルと機械学習誘導最適化と対称性駆動緩和を組み合わせた, 機械学習に基づく物理インフォームド計算フレームワークMEOWN(Muon Engine for Optimized Weighted Networks)を開発した。 MEOWNは、静電気相互作用、電子スクリーニング、偏光効果、ゼロ点運動を学習ワークフローに明示的に組み込み、物理的整合性と科学的厳密性を維持しつつ、計算コストを大幅に削減した物理的解釈可能な予測を提供する。 この枠組みを検証するため,MnSi,CoF2,CaF2,LiF,NaFなど,確立されたベンチマーク材料について検討した。 予測されたミューオン停止部位と双極子場は、以前に報告されたDFT+mu結果と密接に一致しており、化学的に多様なシステムにまたがるアプローチの信頼性と伝達性を示している。 特にMEOWNは、平衡ミューオン停止部位を数分で予測し、従来のDFTベースの計算よりも大幅に高速化する。 本論文は, 結晶材料における高速かつ信頼性の高いミューオン停止部位予測のための汎用ソフトウェアとして, MEOWNの理論的基礎, 計算方法論, 検証について述べる。

関連論文リスト

• Efficient, precise DFT calculations of NMR shieldings: Revisiting the finite field approach [3.0404059399127656]
  RI加速有限磁場計算はDFTレベルのNMR遮蔽定数を極めて正確に得ることを示す。 その結果、RI加速有限磁場計算はDFTレベルのNMR遮蔽定数を極めて正確に得ることを示した。
  論文  参考訳（メタデータ） (2026-08-25T15:01:01Z)
• Orbital Transformers for Predicting Wavefunctions in Time-Dependent Density Functional Theory [45.322818939044645]
  時間依存密度汎関数理論(TDDFT)でシミュレートされた波動関数の学習を目指す。 リアルタイムTDDFTでは、分子の電子波動関数は外部励起に応答して時間とともに進化する。 本稿では,全電子波動関数の時間的発展を学習するOrbEvoを提案する。
  論文  参考訳（メタデータ） (2026-03-03T20:34:05Z)
• Machine Learning-Integrated Hybrid Fluid-Kinetic Framework for Quantum Electrodynamic Laser Plasma Simulations [0.0]
  本研究は,機械学習に基づく3次元ハイブリッド流体-粒子・イン・セル(PIC)システムについて紹介する。 この技術は安定領域に流体近似を用いるが、SwitchNetが不安定区間に誘導するとPICソルバを起動する。 このモデルは、決定係数(R2)が0.95以上の精度で予測し、すべてのフィールド成分に対して平均2乗誤差が10-4以下の精度で予測する。
  論文  参考訳（メタデータ） (2025-10-13T09:07:59Z)
• Accelerating Long-Term Molecular Dynamics with Physics-Informed Time-Series Forecasting [7.705860755153007]
  分子動力学(MD)シミュレーションは、物質科学と生物物理学における原子スケールプロセスを理解するために不可欠である。 従来の密度汎関数理論(DFT)法は計算コストが高く、長期シミュレーションの可能性を制限する。 本稿では,時系列予測問題としてMDシミュレーションを定式化する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T02:00:52Z)
• 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)
• Dissipation-induced Quantum Homogenization for Temporal Information Processing [44.99833362998488]
  量子貯水池は、ハミルトニアンパラメータの精密な制御や微調整なしに、情報処理やターゲット時系列生成に量子システムの複雑なリアルタイム散逸ダイナミクスを利用するため、大きなポテンシャルを持つ。 本稿では, 分散量子ホモジェナイザーを代替プラットフォームとして提案し, 貯水池力学の必要十分かつ十分な条件 – 安定性と収縮性 – を満たすことを証明する。 その結果、核磁気共鳴アンサンブルまたはフォトニック系として物理的に実装可能な量子均質化プロトコルが、貯水池コンピュータとして機能する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-12-13T09:05:41Z)
• Physics-Enhanced TinyML for Real-Time Detection of Ground Magnetic Anomalies [0.0]
  地磁気障害(GMD)のような宇宙の気象現象は、重要な技術基盤に重大なリスクをもたらす。 本稿では、上記の課題に対処する物理誘導型TinyMLフレームワークを開発する。 モデルトレーニングと圧縮の段階で物理ベースの正規化を統合し、予測の信頼性を高める。
  論文  参考訳（メタデータ） (2023-11-19T23:20:16Z)
• Overcoming the Barrier of Orbital-Free Density Functional Theory for Molecular Systems Using Deep Learning [46.08497356503155]
  軌道自由密度汎関数理論(英: Orbital-free density functional theory、OFDFT)は、Kohn-Sham DFTよりも低コストでスケールできる量子化学の定式化である。 本稿では、深層学習関数モデルを用いて分子システムを解くことができるOFFTアプローチであるM-OFDFTを提案する。
  論文  参考訳（メタデータ） (2023-09-28T16:33:36Z)
• Experimental validation of the Kibble-Zurek Mechanism on a Digital Quantum Computer [62.997667081978825]
  キブル・ズレック機構は対称性の破れを伴う非平衡量子相転移の本質物理学を捉えている。 我々は、ランダウ・ツェナー進化の下で、最も単純な量子の場合、単一の量子ビットに対してKZMを実験的に検証した。 我々は、異なる回路環境とトポロジに埋め込まれた個々の量子ビットに関する広範囲なIBM-Q実験について報告する。
  論文  参考訳（メタデータ） (2022-08-01T18:00:02Z)
• Demonstration of electron-nuclear decoupling at a spin clock transition [54.088309058031705]
  クロック遷移は磁気ノイズから分子スピン量子ビットを保護する。 核自由度への線形結合は、電子コヒーレンスの変調と崩壊を引き起こす。 核浴への量子情報漏洩がないことは、他のデコヒーレンス源を特徴づける機会を与える。
  論文  参考訳（メタデータ） (2021-06-09T16:23:47Z)
• OrbNet: Deep Learning for Quantum Chemistry Using Symmetry-Adapted Atomic-Orbital Features [42.96944345045462]
  textscOrbNetは、学習効率と転送可能性の観点から、既存のメソッドよりも優れています。 薬物のような分子のデータセットに応用するために、textscOrbNetは1000倍以上の計算コストでDFTの化学的精度でエネルギーを予測する。
  論文  参考訳（メタデータ） (2020-07-15T22:38:41Z)

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。