論文の概要: Equivariant Deep Learning in Direct-Product Space for Electronic-Structure Hamiltonian Prediction
- arxiv url: http://arxiv.org/abs/2611.07695v1
- Date: Thu, 05 Nov 2026 09:19:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.616784
- Title: Equivariant Deep Learning in Direct-Product Space for Electronic-Structure Hamiltonian Prediction
- Title(参考訳): 電子構造ハミルトニアン予測のための直積空間における等変深度学習
- Abstract要約: 直積空間におけるハミルトン型演算子ブロック上で直接メッセージパッシングを行う同変学習フレームワークDP-Learnerを提案する。
また,大規模なハミルトンデータセットであるMP-HAM-110Kを構築した。
- 参考スコア(独自算出の注目度): 2.821973780014264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most existing equivariant architectures for Hamiltonian prediction propagate features in direct-sum spaces of irreducible spherical tensors, whereas the target Hamiltonian is naturally an operator block in a direct-product representation over local orbital and spin bases. This representation mismatch fragments contiguous Hamiltonian blocks, obscures direct manipulation of orbital couplings, and organizes features into irregular angular-momentum components that require numerous transformations and are poorly aligned with efficient hardware execution and memory management. To address both the representation mismatch and computational bottleneck, we propose DP-Learner, an equivariant learning framework that performs message passing directly on Hamiltonian-like operator blocks in the direct-product space. Theoretically, we propose Lie-generator-based directional embedding and invariantly weighted left--right products and contractions that preserve equivariance to SO(3), SU(2), and spatial inversions, without explicit Clebsch--Gordan decomposition or inverse reconstruction. Methodologically, we instantiate this principle as a Transformer architecture, in which Hamiltonian-like feature matrices or tensors evolve through equivariant operators in the direct-product space, while non-linear invariant scalar routing controls structured gating over matrix units, directional propagation, attention, and environment-embedded context interactions. We further construct MP-HAM-110K, a large-scale Hamiltonian dataset comprising more than 110,000 material structures covering 68 elements with both Hamiltonian and wavefunction data. Experiments on MP-HAM-110K and Materials-HAM-SOC demonstrate that DP-Learner dramatically improves Hamiltonian prediction accuracy and inference efficiency over the state-of-the-art method.
- Abstract(参考訳): 既存のハミルトン予想の同変アーキテクチャのほとんどは、既約球面テンソルの直積空間における特徴を伝播する一方、ターゲットハミルトンは局所軌道とスピン基底上の直積表現における作用素ブロックである。
この表現ミスマッチの断片はハミルトンブロックを連続させ、軌道結合の直接操作を曖昧にし、多くの変換を必要とし、効率的なハードウェア実行とメモリ管理に不十分な不規則な角-運動成分に特徴を整理する。
表現ミスマッチと計算ボトルネックの両方に対処するため,直積空間におけるハミルトン型演算子ブロック上で直接メッセージパッシングを行う同変学習フレームワークDP-Learnerを提案する。
理論的には、Clebsch-Gordan分解や逆再構成を伴わずに、SO(3), SU(2), 空間反転に同値を保つリージェネレータに基づく方向埋め込みと、不変に重み付けされた左右積と収縮を提案する。
メソジカルには、この原理をトランスフォーマーアーキテクチャとしてインスタンス化し、ハミルトン的特徴行列やテンソルは直積空間の同変作用素を介して進化する一方、非線形不変スカラールーティング制御は、行列単位、指向性伝播、注意、環境に埋め込まれたコンテキスト相互作用によって構成される。
さらに,110,000以上の材料構造からなる大規模ハミルトンデータセットであるMP-HAM-110Kを構築した。
MP-HAM-110KとMaterial-HAM-SOCの実験は、DP-Learnerが最先端の手法よりもハミルトン予測精度と推論効率を劇的に向上させることを示した。
関連論文リスト
- Learnable Splines for Unstructured Neural Operators [78.26652287941543]
L-SplineFNOは、FNOバックボーンとスパースで学習可能なテンソル生成B-Splineトランスファーを結合するメモリ効率のよい神経オペレータである。
ベースライン演算子よりもはるかに少ないメモリと計算を必要とするが、予測精度は高い。
また、ゼロショット超解像と効率的な閉形式空間微分もサポートする。
論文 参考訳(メタデータ) (2026-10-15T15:15:31Z) - Rethinking Diffusion Models with Symmetries through Canonicalization with Applications to Molecular Graph Generation [56.361076943802594]
CanonFlowは、挑戦的なGEOM-DRUGデータセット上で最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2026-02-16T18:58:55Z) - Inverting Self-Organizing Maps: A Unified Activation-Based Framework [39.146761527401424]
我々は,SOMの活性化パターンを逆転させて,微妙な幾何学的条件下での正確な入力を復元できることを示す。
我々は,MUSIC (Manifold-Aware Unified SOM Inversion and Control) 更新ルールを導入する。
合成ガウス混合系, MNIST と Faces in the Wild を用いたアプローチを検証した。
論文 参考訳(メタデータ) (2026-01-20T11:02:54Z) - Deep Delta Learning [91.75868893250662]
本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。
我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。
この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
論文 参考訳(メタデータ) (2026-01-01T18:11:38Z) - Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials [2.821973780014264]
我々は、ハミルトン予測のための普遍的な深層学習パラダイムを進化させるために、方法論とデータセットの双方に貢献する。
NextHAMは、効率的で一般化可能な電子構造ハミルトニアン予測のためのニューラルネットワークE(3)対称性および表現的補正法である。
Materials-HAM-SOCの実験結果から、NextHAMはハミルトニアンやバンド構造を予測するのに優れた精度と効率を達成することが示された。
論文 参考訳(メタデータ) (2025-09-24T08:30:58Z) - Zassenhaus Expansion in Solving the Schrödinger Equation [0.0]
基本的な課題はユニタリ進化作用素 (e-imathcalHt ) の近似である。
我々は、E. K"okc"u et alによって導入された固定深度シミュレーションの枠組みを改良し、二階ザッセンハウス展開を取り入れた。
これにより、(mathcalO(t))のようにエラースケーリングを伴う制御された非単位近似が得られる。
論文 参考訳(メタデータ) (2025-05-14T14:48:47Z) - Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。
等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文 参考訳(メタデータ) (2023-05-12T04:12:04Z) - Transferable E(3) equivariant parameterization for Hamiltonian of
molecules and solids [5.512295869673147]
本研究では,分子と固体の半初期強結合ハミルトニアンを予測するために,HamNetと呼ばれるE(3)同変ニューラルネットワークを開発した。
提案フレームワークは、電子構造計算を高速化するための一般的な転送可能なモデルを提供する。
論文 参考訳(メタデータ) (2022-10-28T14:56:24Z) - Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。
GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。
大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文 参考訳(メタデータ) (2022-03-12T14:22:14Z) - Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。
誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
論文 参考訳(メタデータ) (2020-04-15T05:16:24Z)
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。