論文の概要: Transformer-inspired architectures make machine-learned electron densities accurate and transferable enough to bypass self-consistency

• arxiv url: http://arxiv.org/abs/2610.39687v1
• Date: Thu, 29 Oct 2026 09:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.485935
• Title: Transformer-inspired architectures make machine-learned electron densities accurate and transferable enough to bypass self-consistency
• Title（参考訳）: トランスフォーマーにインスパイアされたアーキテクチャは、機械学習した電子密度を正確にし、自己整合性を回避するのに十分な転送を可能にする
• Abstract要約: 本稿では,密度汎関数理論の中心変数である電子密度を正確に予測する機械学習モデルを提案する。 提案されたモデルであるSwinUNETR-V2と注意のないNeXtUNETRは、QM9の最先端の精度を実現する。 予測された密度は、自己整合性反復をバイパスするのに十分正確である:単一のコーン・シャムステップは自己整合性電子構造を再現する。
• 参考スコア（独自算出の注目度）: 1.5229257192293202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce machine learning models that accurately predict the electron density, the central variable of density functional theory. They are built on Transformer-inspired architectures, which require little computation per parameter and can therefore be enlarged at low cost. The proposed models, SwinUNETR-V2 and its attention-free counterpart NeXtUNETR, achieve state-of-the-art accuracy on QM9, with normalized mean absolute errors in the density averaging 0.075% and 0.046%, respectively. The predicted densities are accurate enough to bypass the self-consistent iteration: a single Kohn-Sham step reproduces the self-consistent electronic structure. For NeXtUNETR, the median errors are 0.036 meV in the total energy, 0.65 meV/angstrom in the forces and 1.8 meV in the HOMO-LUMO gap. The forces not only recover the self-consistent minima in geometry optimization but also successfully drive ab initio molecular dynamics. Fine-tuned on small datasets, both networks also transfer accurately to systems containing elements absent from QM9 or larger than its molecules.
• Abstract（参考訳）: 本稿では,密度汎関数理論の中心変数である電子密度を正確に予測する機械学習モデルを提案する。 それらはTransformerにインスパイアされたアーキテクチャ上に構築されており、パラメータごとの計算をほとんど必要とせず、従って低コストで拡張することができる。 提案したモデルであるSwinUNETR-V2と、その注意のないNeXtUNETRは、それぞれ0.075%と0.046%の平均絶対誤差を正規化して、QM9における最先端の精度を達成する。 予測された密度は、自己整合性反復をバイパスするのに十分正確である:単一のコーン・シャムステップは自己整合性電子構造を再現する。 NeXtUNETRでは、平均誤差は総エネルギー0.036MeV、力の0.65MeV/アングストローム、HOMO-LUMOギャップの1.8MeVである。 力は幾何学最適化において自己一貫性のミニマを回復するだけでなく、アブ初期分子動力学の推進にも成功した。 小さなデータセットに微調整された両ネットワークは、QM9から欠落している元素を含むシステムに正確に転送する。

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)
• Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
  非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。 本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
  論文  参考訳（メタデータ） (2026-02-03T12:01:39Z)
• Electron neural closure for turbulent magnetosheath simulations: energy channels [0.0]
  完全畳み込みニューラルネットワーク(FCNN)を用いた非局所5モーメント電子圧テンソル閉鎖法を提案する。 このモデルは、崩壊する磁気シース乱流の完全運動エネルギー保存半単純粒子インセルシミュレーションのための代理モデルの開発に使用される。
  論文  参考訳（メタデータ） (2025-09-30T21:00:50Z)
• 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)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• 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)
• 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。