A Recipe for Charge Density Prediction

要約

密度汎関数理論では、電荷密度は原子系の中核的な属性であり、そこからすべての化学的性質を導き出すことができます。
機械学習手法は電荷密度予測を大幅に加速することが期待されていますが、既存のアプローチには精度やスケーラビリティが欠けています。
その両方を叶えるレシピをご提案します。
特に、次の 3 つの重要な要素を特定します。(1) 原子軌道と仮想軌道 (原子/仮想座標を中心とする球面場) で電荷密度を表現します。
(2) 表現力豊かで学習可能な軌道基底関数 (球面場の基底関数) を使用します。
(3) 大容量の等変ニューラル ネットワーク アーキテクチャを使用します。
私たちの方法は、既存の方法よりも 1 桁以上高速でありながら、最先端の精度を実現します。
さらに、私たちの方法では、モデル/基底サイズを調整することで、効率と精度の柔軟なトレードオフが可能になります。

要約(オリジナル)

In density functional theory, charge density is the core attribute of atomic systems from which all chemical properties can be derived. Machine learning methods are promising in significantly accelerating charge density prediction, yet existing approaches either lack accuracy or scalability. We propose a recipe that can achieve both. In particular, we identify three key ingredients: (1) representing the charge density with atomic and virtual orbitals (spherical fields centered at atom/virtual coordinates); (2) using expressive and learnable orbital basis sets (basis function for the spherical fields); and (3) using high-capacity equivariant neural network architecture. Our method achieves state-of-the-art accuracy while being more than an order of magnitude faster than existing methods. Furthermore, our method enables flexible efficiency-accuracy trade-offs by adjusting the model/basis sizes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google