機械学習を初期計算とワークフローに実践的に統合する: 密度行列の予測を通じてSCFサイクルを加速する
Pavel Stishenko1, Chen Qian2, Julia Westermayr3,4
1Cardiff Catalysis Institute, School of Chemistry, Cardiff University, Park Place, Cardiff CF10 3AT, United Kingdom.
電子構造機械学習 (ESML) モデルを組み合わせることで,初期計算を加速することができます. この"縫合"方法は,分子および材料シミュレーションの計算効率を改善します.
科学分野:
- コンピューティング・ケミストリー
- マテリアルサイエンス 材料科学
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
背景:
- データ主導の方法は,電子構造の計算を加速しますが,しばしば転送性が欠けています.
- ユニバーサルモデルのトレーニングには,膨大なデータとシステム固有の微調整が必要です.
研究 の 目的:
- システム固有の電子構造機械学習 (ESML) モデルを組み合わせるための新しい方法を実証する.
- 自己一貫したフィールドサイクルの初期推測を向上させることで,アビニシオ計算における計算効率を向上させる.
主な方法:
- 開発した.
- 縫った 縫った
- 多数のESMLモデルからの貢献を組み合わせた密度行列アプローチ.
- この方法を幾何学最適化や分子動力学などの連続計算に適用した.
- 密度行列エクストラポレーションアルゴリズムと統合されたESML.
主要な成果:
- システム固有のESMLモデルからの密度行列を成功裏に組み合わせました.
- 自己一貫したフィールドサイクルの初期推測が改善され,計算速度が加速されました.
- 水のクラスターとメタンクラスラートの標準的な計算計算の加速が実証されました.
結論:
- ESMLモデルと密度行列のエクストラポレーションの連携的な使用は,計算化学を大幅に加速します.
- このアプローチは,ハイブリッド量子力学/機械学習 (QM/ML) と ML/ML パラダイムの幅広い機会を提供します.
- 分子および材料のシミュレーションでは,重要な計算速度アップが達成可能である.
さらに関連する動画
10:27Contrast-Matching Detergent in Small-Angle Neutron Scattering Experiments for Membrane Protein Structural Analysis and Ab Initio Modeling
Published on: October 21, 2018
12:11Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry
Published on: April 8, 2020
関連する概念動画
Calculation of Volume of Solids by Integration
Applications of Integration to Probability Density Functions
The Extracellular Matrix
Accelerators
The effectiveness of calcium chloride can...
Predicting Molecular Geometry
Lysogenic Cycle of Bacteriophages
