論文の概要: Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling
- arxiv url: http://arxiv.org/abs/2610.23643v1
- Date: Fri, 16 Oct 2026 15:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.995649
- Title: Scalable long-range machine learning interatomic potentials with electrical response for atomistic material modeling
- Title（参考訳）: 原子性物質モデリングのための電気応答を考慮したスケーラブルな長距離機械学習原子間ポテンシャル
- Abstract要約: 電場下での物質の原子論的シミュレーションには、長距離静電法と長さスケールでの電気応答モデリングが必要である。
このフレームワークは、デバイス関連長さスケールに対する予測原子モデルを拡張する。
- 参考スコア（独自算出の注目度）: 3.4508889809003
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate atomistic simulations of materials under electric fields require long-range electrostatics and electrical-response modeling at length scales beyond the reach of conventional first-principles methods. Yet these capabilities remain difficult to reconcile with the scalability of machine-learning interatomic potentials (MLIPs). Strictly local models enable efficient spatial parallelization but neglect long-range interactions, whereas existing electrostatic extensions introduce global dependencies that hinder distributed computation. Here, we overcome this limitation by analytically separating the long-range electrostatic forces and Born effective charges (BECs) into a global electrostatics calculation and strictly local derivatives of learned latent charges. This formulation preserves the spatial decomposability of equivariant MLIPs while enabling distributed evaluation of energies, forces, stresses, and BECs across different boundary conditions. Implemented as DPA4C-LR on the \texttt{nvalchemi} platform, the framework scales to 5.2 million atoms on four GPUs at approximately twice the computational cost of its short-range backbone. Trained on energies and forces, DPA4C-LR accurately infers BECs and reproduces the field-dependent infrared spectra of water. We further demonstrate its capabilities by recovering the characteristic slim polarization hysteresis of relaxor \ce{Pb(Mg_{1/3}Nb_{2/3})O3}, which is obscured by finite-size effects in smaller simulations; predicting a room-temperature field-driven ionic conductivity of $6.8 \pm 0.7$~mS/cm in amorphous \ce{Li_{0.9}NbO_{0.9}Cl_{4.1}}; and modeling interfacial thermal transport across Si/diamond interfaces with slab-corrected electrostatics. By combining long-range physics, electrical-response inference, and distributed computation, this framework extends predictive atomistic modeling toward device-relevant length scales.
- Abstract（参考訳）: 電場下での物質の正確な原子学シミュレーションは、従来の第一原理法の範囲を超える長さスケールでの長距離静電気学と電気応答モデリングを必要とする。
しかし、これらの能力は、機械学習の原子間ポテンシャル(MLIP)のスケーラビリティとの整合が難しいままである。
厳密な局所モデルは効率的な空間並列化を可能にするが、長距離相互作用を無視する一方、既存の静電拡張は分散計算を妨げる大域的依存を導入する。
ここでは、長距離静電力とボルン有効電荷(Born effective charge, BECs)を大域静電計算と厳密に局所的な学習遅延電荷の微分に分離することにより、この制限を克服する。
この定式化は、等変MLIPの空間分解性を保ち、異なる境界条件におけるエネルギー、力、応力、およびBECの分散評価を可能にした。
DPA4C-LRとして実装されたこのフレームワークは、短距離バックボーンの計算コストの約2倍で、4つのGPU上で520万個の原子にスケールする。
DPA4C-LRはエネルギーと力で訓練され、BECを正確に推測し、水野依存性の赤外線スペクトルを再現する。
さらに、小型のシミュレーションで有限サイズ効果によって隠蔽されるリラクタのスリム偏光ヒステリシス(Mg_{1/3}Nb_{2/3})O3}の特性を再現し、アモルファスな<ce{Li_{0.9}NbO_{0.9}Cl_{4.1}}の室温電場駆動イオン伝導率を6.8 \pm 0.7$~mS/cmと予測し、スラブ補正静電体を用いたSi/ダイヤモンド界面の界面熱輸送をモデル化することによって、その能力を実証する。
このフレームワークは、長距離物理学、電気応答推論、分散計算を組み合わせることで、デバイス関連長スケールへの予測原子論モデリングを拡張する。
関連論文リスト
- Ab initio Modeling of MoS2/Oxide Device Interfaces with Machine Learned Electronic Structures [66.44589802420899]
我々は、スケーラブルな機械学習(ML)電子構造モデルと高度な量子輸送(QT)解決器を統合する半導体デバイスをシミュレートするための新しいab initioアプローチを導入する。
このフレームワークは密度汎関数理論上の10,000Xのスピードアップを可能にし、20,000個の原子からなる装置のハミルトン行列を生成する。
論文 参考訳（メタデータ） (2026-08-27T15:33:39Z) - 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) - Long-range electrostatics for machine learning interatomic potentials is easier than we thought [6.21264745750065]
長距離静電気学の欠如は、現代の機械学習の原子間ポテンシャルの鍵となる限界である。
この観点では、ラテント・エワルド・サミエーション・フレームワークの背後にある2つの設計原則を抽出する。
論文 参考訳（メタデータ） (2025-12-19T19:48:27Z) - A universal augmentation framework for long-range electrostatics in machine learning interatomic potentials [8.414405667524889]
静電相互作用, 分極, ボルン有効電荷(BECs)を推定する潜在エワルド置換法(LES)
短距離MLIPと互換性のあるスタンドアロンライブラリとしてLESを提示し、MACE、NequIP、CACE、CHGNetといったメソッドとの統合を実証する。
分子やクラスターを含むSPICEセット上でMACELES-OFFをトレーニングすることにより, LESを大規模かつ化学的に多様なデータに拡張する。
論文 参考訳（メタデータ） (2025-07-18T18:21:45Z) - Interaction Field Matching: Overcoming Limitations of Electrostatic Models [85.87349969357068]
静電場整合(EFM)は、近年、電気コンデンサのアイデアを用いて、データ生成と転送のための物理に着想を得たパラダイムとして登場した。
我々は、静電気以外の一般的な相互作用場を利用できるEMFの一般化であるInteraction Field Matching (IFM)を提案する。
一連の玩具および画像データ転送問題に対して,その性能を示す。
論文 参考訳（メタデータ） (2025-06-03T14:45:14Z) - Machine learning interatomic potential can infer electrical response [3.502816712907136]
機械学習原子間ポテンシャル(MLIP)は、量子力学的手法に代わる効率的でスケーラブルな代替手段を提供する。
長距離MLIPから偏極およびボルン有効電荷(BEC)テンソルを直接抽出できることを示す。
この研究は、電荷や分極やBECのトレーニングを伴わずに、電気応答を予測する能力をMLIPに拡張し、様々なシステムにおける電場駆動プロセスの高精度なモデリングを可能にする。
論文 参考訳（メタデータ） (2025-04-07T15:14:07Z) - Learning charges and long-range interactions from energies and forces [3.502816712907136]
我々は、原子電荷や電荷平衡を明示的に学習することなく、長距離静電気を捕捉するラテント・エワルド・サミエーション法を導入する。
荷電分子, イオン液体, 電解質溶液, 極性ジペプチド, 表面吸着剤, 電解質/固体界面, 固体界面など, 多様な, 困難なシステムについてLESをベンチマークした。
以上の結果から, LESは物理的部分電荷, 双極子モーメント, 四極子モーメントを効果的に推算できるとともに, 電荷を明示的に学習する手法と比較して精度が向上することが示唆された。
論文 参考訳（メタデータ） (2024-12-19T23:24:44Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。
第一原理計算では,10種中8種が室温で超イオン性であることが確認された。
本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - 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)
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。