論文の概要: Stationarity Constraints Improve Both Energies and Densities of Machine-Learned Exchange-Correlation Functionals

• arxiv url: http://arxiv.org/abs/2610.30022v1
• Date: Wed, 21 Oct 2026 16:49:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.416283
• Title: Stationarity Constraints Improve Both Energies and Densities of Machine-Learned Exchange-Correlation Functionals
• Title（参考訳）: 機械学習交換相関関数のエネルギーおよび密度の定常制約による改善
• Abstract要約: 経験的交換相関関数は固定軌道に装着されるが、自己整合的に使用されるため、より良いエネルギーはより密度が悪くなることが多い。 正確な密度制御のコーン・シャム軌道上での訓練された関数のブリルアン残基は、自己整合密度シフトと適合エネルギーと自己整合エネルギーのギャップの両方を第一次に示す。
• 参考スコア（独自算出の注目度）: 7.9012744471981184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Empirical exchange-correlation functionals are fitted on fixed orbitals but used self-consistently, so better energies often come with worse densities. We show that the Brillouin residual of a trained functional on the Kohn-Sham orbitals of an accurate density controls, to first order, both the self-consistent density shift and the gap between fitted and self-consistent energies. Penalizing it requires no self-consistent-field solution during training. Trained on 6 energies and 11 CCSD densities, a neural meta-GGA surpasses SCAN in both atomization energies and densities of unseen molecules.
• Abstract（参考訳）: 経験的交換相関関数は固定軌道に装着されるが、自己整合的に使用されるため、より良いエネルギーはより密度が悪くなることが多い。 正確な密度制御のコーン・シャム軌道上での訓練された関数のブリルアン残基は、自己整合密度シフトと適合エネルギーと自己整合エネルギーのギャップの両方を第一次に示す。 ペナルティ化は、トレーニング中に自己一貫性のあるソリューションを必要としない。 6つのエネルギーと11個のCCSD密度で訓練された神経メタGGAは、原子化エネルギーと見えない分子の密度の両方においてSCANを上回っている。

関連論文リスト

• All-electron machine-learned orbital-free density functional for periodic CHNO systems [8.86836753782087]
  構造S-P(StructureS-P)は、周期型CHNO系で機能する全電子軌道自由密度関数である。 原子密度の重ね合わせから関数を最小化すると、コーン・シャム基底状態が回復する。
  論文  参考訳（メタデータ） (2026-10-13T08:47:32Z)
• 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)
• Surrogate Functionals for Machine-Learned Orbital-Free Density Functional Theory [11.21330669446422]
  我々は、軌道自由密度汎関数理論のための機械学習エネルギー汎関数(Surrogate functionals)を紹介する。 本研究では, 基底状態に対する密度の指数収束を保証する勾配差改善損失を提案する。 QM9 と QMugs のベンチマークでは、シュロゲート関数は、完全な教師付きマシン学習 OF-DFT のための最先端技術と競合する密度誤差を達成または改善する。
  論文  参考訳（メタデータ） (2026-04-22T11:36:18Z)
• An SO(3)-equivariant reciprocal-space neural potential for long-range interactions [84.08721947253646]
  長距離静電・分極相互作用は分子および凝縮相系において中心的な役割を果たす。 現代のSO(3)-同変神経ポテンシャルは、短距離化学において高い精度を達成するが、現実的な物質を管理する異方性、緩やかに崩壊する多極相関を表現できない。 ここでは、EquiEwaldについて紹介する。これは、EquiEwaldにインスパイアされた相互空間の定式化を、既約SO(3)-同変フレームワークに組み込む統合された神経間ポテンシャルである。
  論文  参考訳（メタデータ） (2026-03-19T01:16:11Z)
• Stable and Accurate Orbital-Free DFT Powered by Machine Learning [10.847183316658015]
  ホーエンバーグとコーンは、電子エネルギーと1粒子の電子密度は、密度に関して機能するエネルギーを最小化することで得られることを示した。 この研究は、機械学習が理論とホヘンベルクとコーンのビジョンの実践的実現の間のギャップを狭める上で重要な役割を果たすことを示した。
  論文  参考訳（メタデータ） (2025-03-01T10:39:52Z)
• 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)
• Dilute neutron star matter from neural-network quantum states [58.720142291102135]
  低密度中性子物質はクーパー対の形成と超流動の開始によって特徴づけられる。 我々は、モンテカルロ変分法と再構成技術を組み合わせた隠れ核量子ネットワーク量子状態の表現性に乗じて、この密度構造をモデル化する。
  論文  参考訳（メタデータ） (2022-12-08T17:55:25Z)
• Relativistic aspects of orbital and magnetic anisotropies in the chemical bonding and structure of lanthanide molecules [60.17174832243075]
  本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。 我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
  論文  参考訳（メタデータ） (2021-07-06T15:34:00Z)

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。