Fugu-MT 論文翻訳(概要): Complete Neural Electronic Initialization Accelerates Materials DFT

論文の概要: Complete Neural Electronic Initialization Accelerates Materials DFT

arxiv url: http://arxiv.org/abs/2609.21759v2
Date: Thu, 24 Sep 2026 15:26:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.281673
Title: Complete Neural Electronic Initialization Accelerates Materials DFT
Title（参考訳）: 完全神経電子初期化による材料DFTの加速
Abstract要約: 本稿では、平面波密度汎関数理論(DFT)をプロジェクタ拡張波(PAW)形式下で加速させるための、最初の完全機械学習手法を提案する。我々は,完全神経電子初期化器が実用的エンドツーエンドPAW DFT加速のために満たさなければならない7つの基準を定式化した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present the first complete machine learning method for accelerating plane-wave density functional theory (DFT) in materials under the projector augmented wave (PAW) formalism. We formalize seven criteria that a Complete Neural Electronic Initializer must satisfy for practical end-to-end PAW DFT acceleration. Applying these to prior work reveals two structure-dependent components, augmentation occupancies and spin initialization, whose absence prevents existing acceleration methods from providing complete reference-free initialization. We show that omitting these components can eliminate or reverse the acceleration obtained via models that only predict the smooth valence density. We satisfy the missing requirements by introducing AugNet, a general equivariant model for PAW augmentation occupancies, and the first general spin density model for materials, which predicts the smooth spin-difference density and spin-difference PAW augmentation occupancies using predicted magnetic moments to constrain the global magnetic state. Combined with existing valence density models, our full method satisfies all seven criteria and forms a fully reference-free electronic initializer for materials DFT, requiring no electronic quantities from a converged target calculation. We show that perfect initialization could cut PAW DFT wall time by 40-52%, and our method recovers up to 62% of this saving, reducing end-to-end DFT wall time by up to ~25% on unseen structures while preserving converged energies.
Abstract（参考訳）: 本稿では、平面波密度汎関数理論(DFT)をプロジェクタ拡張波(PAW)形式下で加速させるための、最初の完全機械学習手法を提案する。我々は,完全神経電子初期化器が実用的エンドツーエンドPAW DFT加速のために満たさなければならない7つの基準を定式化した。これらを以前の研究に適用すると、2つの構造に依存したコンポーネント、強化占有とスピン初期化が明らかになり、既存の加速法が完全に参照不要な初期化を提供するのを妨げている。これらの成分を省略することで、滑らかな原子価密度のみを予測するモデルによって得られる加速度を排除または反転させることができることを示す。 AugNet, PAW拡大占有の一般同変モデル, および, 地球磁気状態の制約を目的としたスムーズなスピン差密度とスピン差PAW拡大占有率を予測した材料に対する最初の一般的なスピン密度モデルを導入することで, 不足する要件を満たす。既存の原子価密度モデルと組み合わせて、本手法は7つの基準をすべて満たし、収束目標計算の電子量を必要としないDFTの完全参照自由電子イニシャライザを形成する。完全初期化はPAW DFT壁時間を40～52%削減し, 省エネを最大62%削減し, 収束エネルギーを保ちながら, 終端から終端までのDFT壁時間を最大25%削減できることを示した。

関連論文リスト

Towards Accelerated SCF Workflows with Equivariant Density-Matrix Learning and Analytic Refinement [0.0]
トレーニングは2段階のスケジュールに従い、徐々に物理的に動機づけられた目標が導入された。学習された1-RDMは、正確に1発の総エネルギーを出力し、ヘルマン=ファインマン原子間力は、力の監督を伴わない。
論文参考訳（メタデータ） (2026-04-29T23:02:21Z)
i-PhysGaussian: Implicit Physical Simulation for 3D Gaussian Splatting [60.46736489360263]
i-PhysGaussian は 3D Gaussian Splatting (3DGS) と暗黙のMaterial Point Method (MPM) を結合するフレームワークである。明示的な方法とは異なり、我々の解は運動量-平衡残差を最小化することでステップの終了状態を得る。結果は、i-PhysGaussianは明示的なベースラインよりも最大20倍の時間ステップで安定性を維持することを示した。
論文参考訳（メタデータ） (2026-02-19T06:38:35Z)
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)
Global Plane Waves From Local Gaussians: Periodic Charge Densities in a Blink [4.882657972333541]
ELECTRAFIは結晶材料の周期電荷密度を予測するための高速でエンドツーエンドの微分可能なモデルである。最新の精度は定期的なベンチマークで一致し、最強の競合手法の最大633倍の速さだ。以上の結果から,精度と推定コストがエンドツーエンドのDFT高速化を共同で決定できることが示唆された。
論文参考訳（メタデータ） (2026-01-27T16:19:40Z)
Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文参考訳（メタデータ） (2025-12-20T04:46:25Z)
Towards A Universally Transferable Acceleration Method for Density Functional Theory [10.006297397920354]
本稿では,電子密度をコンパクトな補助基底表現で予測することにより,DFTの初期推定を構成する手法を提案する。我々のモデルは、60原子までの系における平均33.3%の自己一貫性のフィールドステップ還元を達成することができ、ハミルトン中心のモデルとDM中心のモデルを大幅に上回っている。
論文参考訳（メタデータ） (2025-09-30T03:35:57Z)
Weight Spectra Induced Efficient Model Adaptation [54.8615621415845]
微調整された大規模な基礎モデルは、計算コストを禁ずる。微調整が最上位特異値を大きく増幅する一方で,残りはほとんど無傷であることを示す。本稿では,トップ特異方向の学習可能な再スケーリングを利用する新しい手法を提案する。
論文参考訳（メタデータ） (2025-05-29T05:03:29Z)
Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
論文参考訳（メタデータ） (2023-12-08T21:56:19Z)
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)
Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
論文参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。