論文の概要: Learning ab initio phase-field models
- arxiv url: http://arxiv.org/abs/2610.01432v1
- Date: Thu, 01 Oct 2026 10:30:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.056174
- Title: Learning ab initio phase-field models
- Title（参考訳）: 位相場モデルの学習
- Abstract要約: メソスコピック方程式を仮定しない初期位相場モデルを学習するためのフレームワークを開発する。
惑星条件下での鉄-ホウ素融解と水素-ヘリウム混合反応の枠組みを実証した。
- 参考スコア（独自算出の注目度）: 37.905834040363025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulating microstructure evolution requires quantum-mechanical accuracy and mesoscopic reach in length and time scales, a combination that no current method achieves. Classical phase-field models provide this reach, but their accuracy is limited by phenomenological free energies and mobilities. Here we develop a framework for learning ab initio phase-field models, where the mesoscopic equation is not postulated but derived from a Mori-Zwanzig projection of molecular dynamics onto species-density fields under explicit assumptions. The nonlocal free energy and mobility left unspecified by this equation are parametrized by neural networks and learned from short molecular dynamics trajectories generated with machine-learning interatomic potentials of ab initio accuracy. We demonstrate the framework on an iron-boron melt and on hydrogen-helium mixtures under planetary conditions. For iron-boron, the model shows that the melt at the FeB$_4$ composition is spinodally unstable at ambient pressure but stabilized at 10 GPa, offering a thermodynamic rationale for why FeB$_4$ has been synthesized only under high pressure. For hydrogen-helium, the model predicts the immiscibility boundary and captures droplet nucleation and growth in helium-rain simulations of a column corresponding to 2.2 million atoms, far beyond the scale of atomistic modeling at comparable accuracy. Trained across compositions and conditions, such models could provide a mesoscopic counterpart to ab initio molecular dynamics.
- Abstract（参考訳）: ミクロ構造の進化をシミュレーションするには、量子力学的精度とメソスコピックな長さと時間スケールを必要とする。
古典的な位相場モデルは、この到達度を提供するが、その精度は現象論的自由エネルギーと運動量によって制限される。
ここでは, メソスコピック方程式を仮定せずに, 分子動力学を種密度場に投射したモリ・ズワンジグ法から導出した, 初期位相場モデルの学習フレームワークを開発する。
この方程式によって特定されていない非局所自由エネルギーと移動性は、ニューラルネットワークによってパラメータ化され、ab initio精度の機械学習原子間ポテンシャルで生成された短い分子動力学軌道から学習される。
惑星条件下での鉄-ホウ素融解と水素-ヘリウム混合反応の枠組みを実証した。
鉄ホウ素の場合,FeB$_4$組成の融解は周囲圧力下ではスピノディール不安定であるが,10GPaで安定し,FeB$_4$が高圧下でのみ合成された理由を熱力学的に説明できる。
水素-ヘリウムの場合、このモデルは不和合性境界を予測し、同じ精度で原子論モデリングのスケールを超える220万原子に対応するカラムのヘリウム-レインシミュレーションにおいて、滴の核形成と成長を捉える。
組成や条件にまたがって訓練されたモデルでは、初期分子動力学に匹敵するメソスコピックなモデルが得られる。
関連論文リスト
- Disorder-induced non-Gaussian states in large ensembles of cavity-coupled molecules [0.0]
単一分子レベルでの短時間スケールでの振動モードの非ガウス状態に障害が生じることを示す。
我々の研究は、偏光化学における空洞修飾核力学における障害と真の量子効果の重要性を強調している。
論文 参考訳（メタデータ） (2026-04-20T16:12:32Z) - MACE-POLAR-1: A Polarisable Electrostatic Foundation Model for Molecular Chemistry [2.920129574607374]
分子化学のための新しい静電気基礎モデルを提案し, 長距離相互作用と静電気誘導の明示的な処理により, MACEアーキテクチャを拡張した。
本手法は局所的な多体幾何学的特徴と、学習可能な電荷とスピン密度を更新する非自己整合場形式とを組み合わせる。
モデルが可変電荷とスピン状態を扱う能力、外部磁場に反応し、解釈可能なスピン分解電荷密度を提供し、小さな分子からタンパク質-リガンド錯体への精度を維持し、それを計算分子化学と薬物発見のための汎用的なツールとして位置づける。
論文 参考訳（メタデータ） (2026-02-23T01:09:54Z) - Coherence Dispersion and Temperature Scales in a Quantum-Biology Toy Model [51.56484100374058]
量子コヒーレンス(英語版)が任意の量子状態のいくつかの外対角要素の間にどのように散乱するかを考察する。
平衡外システムに焦点をあてることで、我々は開発されたフレームワークを使用して、セル・エネルギティクスの単純化されたモデルに対処する。
論文 参考訳（メタデータ） (2025-12-13T14:21:34Z) - OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。
実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。
オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
論文 参考訳（メタデータ） (2025-12-07T20:46:30Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - Stochastic Schr\"odinger equation approach to real-time dynamics of
Anderson-Holstein impurities: an open quantum system perspective [3.105656247358225]
連続フェルミオン浴に結合したアンダーソン・ホルシュタイン不純物の力学をシミュレートする枠組みを開発した。
このようなSSE処理は、数値的拡大顕微鏡シミュレーションとマスター方程式の中間となる。
論文 参考訳（メタデータ） (2023-09-16T06:03:54Z) - Accessing the topological Mott insulator in cold atom quantum simulators
with realistic Rydberg dressing [58.720142291102135]
本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。
本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。
さらに、平均場近似における温度に対する相の安定性について検討する。
論文 参考訳（メタデータ） (2022-03-28T14:55:28Z) - 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) - Bayesian Force Fields from Active Learning for Simulation of
Inter-Dimensional Transformation of Stanene [3.708456605408296]
本稿では,多体カーネルに基づく原子間力場に対するガウス過程モデルを劇的に高速化する方法を提案する。
これにより、ほぼ量子精度、組込みの不確実性、一定の評価コストを組み合わせたモデルの自動アクティブラーニングが可能になる。
論文 参考訳（メタデータ） (2020-08-26T20:27:19Z) - Coarse Graining Molecular Dynamics with Graph Neural Networks [3.0279361008741827]
本稿では,粗大な力場の機械学習のためのハイブリッドアーキテクチャを導入し,サブネットワークを介してそれぞれの特徴を学習する。
この枠組みは, 生体分子系における熱力学の再現に有効であることを示す。
論文 参考訳（メタデータ） (2020-07-22T13:20:08Z)
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。