論文の概要: Electronic Density versus Geometry for Machine-Learned Molecular Absorption Spectra
- arxiv url: http://arxiv.org/abs/2610.03444v1
- Date: Fri, 02 Oct 2026 15:26:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.451763
- Title: Electronic Density versus Geometry for Machine-Learned Molecular Absorption Spectra
- Title（参考訳）: 機械学習分子吸収スペクトルの電子密度と幾何学
- Abstract要約: 基底状態の電子密度と分子幾何学を入力として、吸収スペクトルを予測する機械学習モデルと比較する。
密度に基づく畳み込みニューラルネットワークは、最良の幾何ベースのグラフモデルでは0.9795に対して、0.9926の検証相関を達成している。
- 参考スコア（独自算出の注目度）: 0.6524460254566904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular optical absorption spectroscopy provides a direct probe of electronic structure and is widely used for molecular identification, interpretation of photophysical behaviour, and planning of spectroscopy experiments. Calculating the absorption spectra using first-principle excited-state methods, however, is computationally demanding, at least compared to ground-state calculations, which limits their routine application across large molecular sets. Machine-learning (ML) surrogates can reduce this cost and allow rapid spectral prediction. However, their performance depends strongly on how molecular information is represented. Here, we compare using the ground-state electron density versus the molecular geometry as inputs to a ML model for predicting absorption spectra, for a training set of 6874 molecules selected from the QM7 dataset. For each of these molecules, the density was calculated using density functional theory (DFT) and the absorption spectrum was calculated using linear-response (LR) time-dependent DFT (TDDFT). Utilizing the ground-state density as the input to the ML model is motivated by the Hohenberg-Kohn and Runge-Gross theorems, and the fact that the ground-state density encodes information about bonding, charge localisation, and electronic delocalisation. Hence, it may be a more judicious starting point for the ML model compared to the geometry, as it effectively decouples the chemistry of the ground-state. The question we test is whether the benefits of using the density outweigh the (notprohibitive) penalty of requiring an additional single-point DFT calculation for the density. We find that the density-based convolutional neural network achieves a validation correlation of 0.9926, compared with 0.9795 for the best geometry-based graph model, reducing the residual decorrelation, by approximately 64%.
- Abstract（参考訳）: 分子光学吸収分光法は電子構造の直接プローブであり、分子識別、光物理挙動の解釈、分光実験の計画に広く用いられている。
しかし、第一原理励起状態法による吸収スペクトルの計算は、少なくとも基底状態の計算と比較して計算的に要求されている。
機械学習(ML)サロゲートは、このコストを削減し、高速なスペクトル予測を可能にする。
しかし、それらの性能は分子情報の表現方法に大きく依存する。
ここでは、QM7データセットから選択された6874分子のトレーニングセットに対して、吸収スペクトルを予測するMLモデルへの入力として基底状態電子密度と分子幾何学を用いて比較する。
これらの各分子について密度汎関数理論(DFT)を用いて密度を計算し、吸収スペクトルを線形応答(LR)時間依存DFT(TDDFT)を用いて算出した。
基底状態密度をMLモデルへの入力として利用することは、ホヘンベルク=コーンとルンゲ=グロスの定理によって動機付けられ、基底状態密度が結合、電荷局在、電子的非局在化に関する情報を符号化するという事実である。
したがって、基底状態の化学を効果的に切り離すので、幾何学と比較してMLモデルのより司法的な出発点となるかもしれない。
私たちが試す疑問は、密度を使うことの利点が、密度に対して追加の単一点DFT計算を必要とする(禁止されない)ペナルティを上回っているかどうかである。
密度に基づく畳み込みニューラルネットワークは、最良の幾何ベースのグラフモデルでは0.9795に対して、0.9926の検証相関を達成し、残留デコリレーションを約64%削減する。
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) - Coupled Cluster con MōLe: Molecular Orbital Learning for Neural Wavefunctions [34.53033480184221]
密度汎関数理論(DFT)は、分子特性を計算するために最も広く用いられる方法である。
結合クラスタ理論(CC理論)は、DFTを超える精度を達成するための最も成功した方法である。
本稿では,CCの中核となる数学的対象を直接予測する同変機械学習モデルであるMLeアーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-02-23T18:54:46Z) - A Universal Deep Learning Force Field for Molecular Dynamic Simulation and Vibrational Spectra Prediction [24.66572813199126]
我々は、スペクトル予測のための機械学習分子動力学(MLMD)シミュレーションを可能にするために、深部等変テンソルアテンションネットワーク(DetaNet)とベロシティ・バーレット積分器を統合する。
DetaNetベースのMD手法は,AIMDよりも最大3桁のスピードアップで,ほぼ実験的なスペクトル精度を実現する。
全体として、この研究は、高速で正確で広く適用可能な動的シミュレーションとIR/Ramanスペクトル予測を可能にする、普遍的な機械学習力場とフレームワークを確立する。
論文 参考訳（メタデータ） (2025-10-05T14:36:33Z) - DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。
遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。
確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-13T18:29:48Z) - 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) - 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) - 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) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - 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) - Predicting molecular dipole moments by combining atomic partial charges
and atomic dipoles [3.0980025155565376]
高レベル結合クラスター理論を用いて計算した分子$boldsymbolmu$を再現するために、「MuML」モデルが組み合わされた。
校正委員会モデルを用いて予測の不確かさを確実に推定できることを実証する。
論文 参考訳（メタデータ） (2020-03-27T14:35:37Z)
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。