論文の概要: Equivariant Flow Matching for Electron Density Prediction

• arxiv url: http://arxiv.org/abs/2610.02651v1
• Date: Fri, 02 Oct 2026 01:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.154213
• Title: Equivariant Flow Matching for Electron Density Prediction
• Title（参考訳）: 電子密度予測のための等変流マッチング
• Abstract要約: OrbFlowはガウス型軌道(GTO)係数をフローマッチングによって予測する生成モデルである。 これはQM9における最先端の精度を実現し、以前の最良のモデルと比較して密度誤差を13.6%削減する。
• 参考スコア（独自算出の注目度）: 41.15331860596543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning surrogates for density functional theory (DFT) have been increasingly used to reduce the cost of first-principles calculations. In this arena, predicting real-space electron densities offers a scalable and transferable initialization for self-consistent field (SCF) procedures. However, current methods face a clear dilemma. That is, grid-based architectures incur a high computational cost, while basis-set methods fail to capture the structural correlations inherent in the coefficient space. Here, we develop OrbFlow, an $\mathrm{SE}(3)$-equivariant generative model that predicts Gaussian-type orbital (GTO) coefficients via flow matching. OrbFlow retains the efficiency of a compact atom-centered basis while replacing pointwise regression with a learned probability path over the full coefficient space. It is trained through a two-phase trajectory curriculum that mitigates discretization drift during numerical integration. OrbFlow achieves state-of-the-art accuracy on QM9, reducing density error by 13.6% relative to the previous best model, and reduces error by 51% to 63% on every molecule of the MD benchmark relative to the strongest prior method sharing its basis. The predicted density also cuts SCF iterations by up to 68% with zero-shot transfer to unseen exchange-correlation functionals and recovers dipole and quadrupole moments to within a few percent of DFT references without any SCF calculation.
• Abstract（参考訳）: 密度汎関数理論(DFT)のための機械学習サロゲートは、第一原理計算のコスト削減にますます利用されている。 この領域では、実空間電子密度の予測は、自己整合体(SCF)の手続きに対してスケーラブルで転送可能な初期化を提供する。 しかし、現在の手法は明確なジレンマに直面している。 すなわち、グリッドベースのアーキテクチャは高い計算コストを発生させる一方、基底セット法は係数空間に固有の構造的相関を捉えない。 そこで我々は,フローマッチングによりガウス型軌道(GTO)係数を予測する,$\mathrm{SE}(3)$-equivariant生成モデルであるOrbFlowを開発した。 OrbFlowは、ポイントワイド回帰を全係数空間上の学習確率経路に置き換えつつ、コンパクトな原子中心基底の効率を維持する。 数値積分中に離散化ドリフトを緩和する2段階の軌道カリキュラムによって訓練される。 OrbFlowはQM9の最先端精度を達成し、前回のベストモデルと比較して密度誤差を13.6%削減し、その基礎を共有する最強の手法と比較してMDベンチマークの全分子でエラーを51%から63%削減する。 予測密度は、ゼロショットでSCFイテレーションを最大68%削減し、ゼロショットの交換相関関数に変換し、SCF計算なしでDFT参照の数パーセント以内までダイポールと四重極モーメントを回復する。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• On Variance Reduction in Learning Mean Flows [7.705995307512647]
  平均フロートレーニングは不安定で、非減少損失と非バウンド勾配のばらつきがある。 我々は,この病態を条件速度場の誤用とみなす理論を確立した。 我々は、閉形式の最適係数を導出し、並列処理における修正の族が、同じ最適化の異なる実践的実現に対応することを示す。
  論文  参考訳（メタデータ） (2026-05-10T00:32:53Z)
• 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)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)

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。