Fugu-MT 論文翻訳(概要): Physics-Aligned Electronic Ground-State Learning Improves Generalization

論文の概要: Physics-Aligned Electronic Ground-State Learning Improves Generalization

arxiv url: http://arxiv.org/abs/2610.10298v1
Date: Wed, 07 Oct 2026 15:53:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:23.015553
Title: Physics-Aligned Electronic Ground-State Learning Improves Generalization
Title（参考訳）: 物理学に則った電子基底状態学習は一般化を向上する
Abstract要約: 機械学習型原子間ポテンシャル(MLIP)と密度汎関数理論(KS-DFT)の間に位置する計算コストを持つ電子基底状態記述子モデル(GSM)を設計する。 QM9からQM40までのサイズ測定実験では、これまでの最先端密度GSMよりも79.1%のエネルギーと83.4%の力で絶対誤差(MAE)が低減された。また,ラベルのない自己整合性微調整の効率を実証し,GSMをトランジション1xの反応性化学へ転送する。
参考スコア（独自算出の注目度）: 39.146761527401424
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine-learned interatomic potentials (MLIPs) excel at in-distribution tasks, accelerating drug and material development, yet they struggle to generalize out-of-distribution. We propose to push the cost-accuracy Pareto frontier by designing observable-agnostic electronic ground-state descriptor models (GSMs) with computational costs situated between MLIPs and Kohn-Sham density functional theory (KS-DFT). We align the learning objectives and architectures of GSMs with the governing equations of KS-DFT by enforcing physical constraints and removing optimization pressure on unphysical or irrelevant degrees of freedom. In our size-extrapolation experiments from QM9 to QM40, our combined contributions OrthoNormal-Loss (ON-Loss) and Grassmann Restricted Occupied-Orbital Training (GROOT) reach a 79.1% energy and 83.4% force mean absolute error (MAE) reduction over previous state-of-the-art density GSMs. For Hamiltonian GSMs, ON-Loss and Residual Optimal-gauge Conditioning-aware KS-Eq. Training (ROCKET) together reduce the energy and force MAEs of the strongest baseline by 99.8% and 95.9%, respectively. Using a self-consistency rejection criterion, we filter out extrapolation errors on QMugs, rejecting fewer than 0.4% of predictions while reaching an energy MAE of 0.07 mHa. Finally, we demonstrate the efficiency of label-free self-consistency fine-tuning, and transfer GSMs to reactive chemistry in Transition1x, reaching energy errors below chemical accuracy.
Abstract（参考訳）: 機械学習型原子間ポテンシャル(MLIPs)は、分布内タスク、薬物および物質開発を加速するが、分布外を一般化するのに苦労する。本稿では,MLIPとコーン・シャム密度汎関数理論(KS-DFT)の間に位置する計算コストで,観測不能な電子基底状態記述子モデル(GSM)を設計することで,コスト精度の高いパレートフロンティアを推し進めることを提案する。我々は、GSMの学習目的とアーキテクチャを、物理的制約を強制し、非物理的または無関係な自由度に対する最適化圧力を取り除くことで、KS-DFTの統治方程式と整合する。 QM9からQM40までのサイズ測定実験では、OrthoNormal-Loss (ON-Loss) と Grassmann Restricted Occupied-Orbital Training (GROOT) を併用して、79.1%のエネルギーと83.4%のパワー平均絶対誤差(MAE)を従来の最先端密度GSMよりも低減した。ハミルトニアン GSM には On-Loss と Residual Optimal-gauge Conditioning-aware KS-Eq がある。トレーニング(ROCKET)は、最強ベースラインのエネルギーと力のMAEをそれぞれ99.8%、95.9%削減する。自己整合性拒絶基準を用いてQMugsの補間誤差を除去し、0.4%未満の予測を拒絶し、エネルギーMAEは0.07 mHaに達した。最後に、ラベルのない自己整合性微調整の効率を実証し、GSMをトランジション1xの反応性化学に転送し、化学精度より低いエネルギー誤差に達する。

関連論文リスト

Implementing QESEM's High-Accuracy Error Mitigation on a Quantum Computer: a Water Potential Energy Surface Study [1.742635999276034]
量子エラー軽減(QEM)は、短期量子ハードウェアから化学的に正確な結果を抽出するために不可欠である。我々は、IBMのAachen量子プロセッサ上で、QESEM--特性に基づく、偏りのない準確率緩和手法を用いている。我々はQESEMをゆるい(0.1Ha)とタイトな(0.01Ha)の精度目標でベンチマークし、個別のバッチとマージした実行のバッチを評価した。
論文参考訳（メタデータ） (2026-09-07T09:52:01Z)
A Unified Physics-Aware Quantum Machine Learning Framework across Power GaN HEMTs and Logic Nanowire FETs: Predicting Unseen Process Splits and Held-Out Geometry Combinations with Lower Error and Tighter Split-to-Split Variability [10.86517852984593]
データスカースデバイスモデリングのための小型パラメタライズド量子回路(PQC)を探索する統合強化学習フレームワークを提案する。グラフニューラルネットワーク(GNN)ポリシーは、ホールドアウトプロセスや幾何グループに対するLOGOCV(Left-one-out cross-validation)エラーを報奨として回路アーキテクチャを探索する。このフレームワークは、11の目標に対して6つの古典的ベースラインに対して最低平均絶対誤差(MAE)を達成し、59%の誤り(Ioff)、81%のHEMTに対する厳密な折りたたみ変動(VTH)、84%の誤り(V)を達成している。
論文参考訳（メタデータ） (2026-09-04T15:15:40Z)
Reweighting free energy profiles between universal machine learning interatomic potentials for fast consensus building [3.311445536310091]
平均力のポテンシャル (PMF) と呼ばれる反応座標に沿って自由エネルギープロファイルを密度汎関数理論 (DFT) の精度で推定することは計算的に高価である。本稿では,PMFの再重み付けのための体系的かつスケーラブルなフレームワークについて述べる。我々の再加重フレームワークは、特に、電位間の位相空間の重なりが臨界的に低い場合でも、標的の熱力学特性、反応と活性化の自由エネルギーを回復する。
論文参考訳（メタデータ） (2026-05-15T05:30:38Z)
Information as Maximum-Caliber Deviation: A bridge between Integrated Information Theory and the Free Energy Principle [51.56484100374058]
この研究は、情報が有限時間地平線上の制約付き最大曲率(MaxCal)パスアンサンブルから実現された力学の偏差$$$として定義されることを示唆している。この定義の下では、IIT 3.0の中心となる原因/影響レパートリーは、MaxCalの変分原理から直接現れる。情報$$は、付随する予測符号化モデルの下での予測誤差と同値である。
論文参考訳（メタデータ） (2026-05-03T07:22:55Z)
Synergistic Computational Approaches for Accelerated Drug Discovery: Integrating Quantum Mechanics, Statistical Thermodynamics, and Quantum Computing [0.0]
タンパク質-リガンド結合自由エネルギー(Bs)の正確な予測は、薬物発見における中心的な課題である。本稿では、マイニングミニマサンプリングと量子力学的に洗練された配位子部分電荷を組み合わせたハイブリッド量子古典フレームワークを提案する。 23個のタンパク質ターゲットと533の合計で、1.10 kcal/molの絶対誤差を高いランクの忠実度で達成する。
論文参考訳（メタデータ） (2025-12-05T20:47:34Z)
Learning Potential Energy Surfaces of Hydrogen Atom Transfer Reactions in Peptides [0.562479170374811]
水素原子移動(HAT)反応は、損傷したタンパク質のラジカル移動など、多くの生物学的プロセスにおいて必須である。機械学習型ポテンシャルは、ほぼ量子精度でポテンシャルエネルギー面を学習できる代替手段を提供する。そこで我々は,半経験的手法とDFTを用いて大規模データセットを構築するために,ペプチドのHAT構成を体系的に生成する。
論文参考訳（メタデータ） (2025-08-01T12:21:49Z)
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)
Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。どちらの手法もエネルギーと基底状態の優れた推定値を提供する。勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。