Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian
Texas A&M University(德克萨斯A&M大学)
针对量子哈密顿量预测中效率与等变性难以兼顾的问题,提出SE(3)-等变网络QHNet,通过架构创新大幅减少张量积并抑制通道维度膨胀,在MD17数据集上实现更快速度、更低内存且性能比肩现有最优方法。
2023-11-08 cs.LG physics.comp-ph
Predicting molecular dipole moments by combining atomic partial charges and atomic dipoles
分子偶极矩($\boldsymbolμ$)是化学中的一个中心量。它是必不可少的预测红外和和频产生光谱,以及感应和远程静电相互作用。此外,它可以直接从高级量子力学计算中提取,使其成为机器学习(ML)的理想目标。在这项工作中,我们选择用一个物理启发的ML模型来表示这个量,该模型捕获了两种不同的物理效应:在自适应高斯过程回归(SA-GPR)框架内捕获局部原子极化,该框架为每个原子分配(矢量)偶极矩,而通过为每个原子分配部分(标量)电荷来捕获整个分子中的电荷运动。将得到的“MuML”模型拟合在一起,以重现使用高级耦合簇理论(CCSD)和密度泛函理论(DFT)在QM 7 b数据集上计算的分子$\boldsymbolμ$。当应用于更大更复杂的分子的展示数据集时,组合模型显示出优异的可移植性,以计算成本的一小部分接近DFT的精度。我们还表明,在预测的不确定性可以可靠地估计使用校准委员会模型。然而,模型的最终性能取决于手头系统的细节,当描述其偶极子几乎完全由电荷分离产生的大分子时,标量模型显然更优越。这些观察点的重要性,同时占本地和非本地的影响,有助于$\boldsymbolμ$ ;此外,他们定义了一个具有挑战性的任务,基准未来的模型,特别是那些旨在描述凝聚相。
2020-06-03 physics.chem-ph physics.comp-ph stat.ML
State of the art for ab initio vs empirical potentials for predicting 6e$^{-}$ excited state molecular energies: Application to Li$_{2}\left(b,1^{3}Π_{u}\right)$
我们建立了第一个解析经验势的最深绑定的$\mbox{Li}_{2}$状态:$b\left(1^{3}Π_{u}\right)$。我们的潜力是基于实验能量跃迁覆盖$v=0-34$,非常高精度的理论长程常数。它提供了高精度的预测$v=100$铺平了道路,高精度的远程测量,并希望最终解决的年龄之间的差异实验和理论的$\mbox{Li}\left(2^{2}S\right)+\mbox{Li}\left(2^{2}P\right)$ $C_{3}$值。最先进的从头计算预测振动能间距都在最多0.8厘米$^{-1}$与经验势的分歧。
2015-08-28 astro-ph.SR physics.atom-ph physics.chem-ph
Predicting Solvation Free Energies of Molecules and Ions via First-Principles and Machine-Learning Molecular Dynamics
Hong Kong University of Science and Technology(香港科技大学)
本文提出一种基于第一性原理和机器学习分子动力学的泡方法,用于计算分子和离子的溶剂化自由能,避免了端点奇异性问题,适用于任意形状的分子和离子,并通过经典、从头算和机器学习分子动力学模拟验证了方法的可靠性。
2026-04-18 physics.chem-ph physics.comp-ph
Active Learning for Predicting the Enthalpy of Mixing inBinary Liquids Based on Ab Initio Molecular Dynamics
Univ. Grenoble Alpes, CNRS, Grenoble INP, SIMaP(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,格勒诺布尔理工学院,材料科学与物理实验室);Interdisciplinary Centre for Advanced Materials Simulations (ICAMS), Ruhr Universität Bochum(鲁尔大学波鸿分校先进材料模拟跨学科中心);Center for Basic Research on Materials, National Institute for Materials Science(物质材料研究机构基础材料研究中心);Graduate School of Frontier Sciences, The University of Tokyo(东京大学前沿科学研究生院)
本研究提出基于从头分子动力学的主动学习方法,用于提高二元液体混合焓预测的准确性,重点分析难熔元素的混合焓趋势。
2025-07-28 cond-mat.mtrl-sci physics.comp-ph
Molecular dynamics approach for predicting release temperatures of noble gases in pre-solar nanodiamonds
太阳前陨石纳米金刚石颗粒携带一系列同位素不同的惰性气体成分,并提供有关核合成,星系混合和太阳系形成历史的信息。在本文中,我们发展了一个分子动力学方法来预测注入惰性气体(He和H2O)在纳米金刚石中的热释放模式。我们提供了原子的单峰温度释放分布的细节,他和双峰行为的氦。有趣的是,我们的模型表明,惰性气体的热释放过程是高度敏感的影响和退火参数,以及注入离子在晶格中的位置和纳米颗粒的形态。此外,该模型优雅地解释了惰性气体释放的单峰和双峰模式,通过间隙和取代类型的缺陷形成。总之,我们的模拟证实,低能量离子注入是一种可行的方式,将惰性气体纳入纳米金刚石,我们提供了实验观察到的气体释放的特殊性的解释。
2021-06-08 astro-ph.IM physics.comp-ph
An Efficient Molecular Dynamics Scheme for Predicting Dopant Implant Profiles in Semiconductors
提出了一种高效的分子动力学方法,用于计算IV族合金和III-V族锌合金结构材料中注入杂质的浓度分布。我们的程序采用了减少计算开销的方法,再加上一个罕见的事件算法,使统计精度超过几个数量级的掺杂剂浓度的变化。该代码使用分子动力学(MD)模型,而不是二进制碰撞近似(BCA)中使用的植入物模拟器,如TRIM和马洛,描述离子靶相互作用。原子间的相互作用用“多体势”和屏蔽库仑势的组合来描述。非弹性能量损失占使用Firsov模型,和电子停止由Brandt-Kitagawa模型,其中包含单个可调参数的整个计划。因此,该程序很容易扩展到新的离子靶组合与最小的调整,并预测在很宽的范围内的注入能量和角度。该计划是特别适合于计算由于低能量,大角度的植入物的配置文件,并为预测能力的情况下,需要与最小的实验验证。我们给出的例子,使用我们的代码来计算浓度分布和2D“点响应”的档案中的晶体硅,硅锗混合物,砷化镓掺杂剂。我们可以预测的实验剖面超过五个数量级<100><110>的能量高达数百千电子伏的沟道和非沟道注入。
1999-01-28 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Which form of the molecular Hamiltonian is the most suitable for simulating the nonadiabatic quantum dynamics at a conical intersection?
研究比较了圆锥交叉处非绝热量子动力学模拟中四种分子哈密顿量表示,利用二次 Jahn-Teller 模型与高阶几何积分器发现,精确准绝热哈密顿量结果最佳,而绝热表示因耦合奇异性准确性最差。
2020-11-14 physics.chem-ph physics.comp-ph quant-ph
Predicting Compressive Strength of Consolidated Molecular Solids Using Computer Vision and Deep Learning
我们探索了计算机视觉和机器学习(ML)技术在基于SEM图像预测材料性能(例如抗压强度)方面的应用。我们表明,这是可能的训练ML模型来预测材料性能的基础上,单独的SEM图像,证明了这种能力的预测单轴压缩峰值应力的巩固分子固体样品的现实世界的问题。我们基于图像的ML方法将平均绝对百分比误差(MAPE)平均降低了24%,超过了代表当前实践状态的基线(即,领域专家的分析和相关性)。我们比较了两种互补的方法来解决这个问题:(1)传统的ML方法,随机森林(RF),使用最先进的计算机视觉特征;(2)端到端的深度学习(DL)方法,从原始图像中自动学习特征。我们证明了这些方法的互补性,表明RF在许多现实世界的科学应用中的“小数据”制度中表现最好(比DL低24%的RMSE),而DL在“大数据”制度中超过RF,其中有丰富的训练样本(比RF低24%的RMSE)。最后,我们证明了使用机器学习技术训练的模型能够发现和利用领域专家以前未充分利用的信息晶体属性。
2020-02-28 cond-mat.mtrl-sci physics.comp-ph
Enhanced Krylov Methods for Molecular Hamiltonians: Reduced Memory Cost and Complexity Scaling via Tensor Hypercontraction
Technical University of Munich(慕尼黑工业大学);Max Planck Institute of Quantum Optics(马克斯·普朗克量子光学研究所);Munich Center for Quantum Science and Technology(慕尼黑量子科学与技术中心)
针对分子哈密顿量应用于矩阵乘积态的问题,提出基于张量超收缩的增强型Krylov方法,将哈密顿量表示为四个低键维度MPO之和,降低内存成本与计算复杂度,支持大规模高性能计算模拟。
2025-08-15 cond-mat.str-el physics.chem-ph physics.comp-ph
A Unified Deep Neural Network Potential Capable of Predicting Thermal Conductivity of Silicon in Different Phases
分子动力学模拟已被广泛用于预测热性质,但由于缺乏精确的和可转移的原子间势场,使用统一的力场以相似的精度模拟不同的相通常是困难的。因此,这个问题已经成为一个主要的障碍,预测材料的相变及其输运性质的原子级建模技术。最近,基于机器学习的算法已经成为一种很有前途的工具,以开发精确的分子动力学模拟的潜力。在这项工作中,我们的方法预测硅在不同阶段的热导率进行分子动力学模拟与深神经网络潜力的问题。这种神经网络的潜力是训练与从头计算数据的硅在结晶,液体和非晶相。我们的潜力的准确性首先验证通过再现原子结构在相变,在其他经验势通常失败。计算了不同相的热导率,与实验结果和从头算结果吻合较好。我们的工作表明,一个统一的神经网络为基础的潜力可以是一个很有前途的工具,研究相变和材料的热输运的高精度。
2019-12-10 cond-mat.mtrl-sci physics.comp-ph
Dual vibration configuration interaction (DVCI). An efficient factorization of molecular Hamiltonian for high performance infrared spectrum computation
Queen's University of Belfast(贝尔法斯特女王大学)
本文提出一种基于分子薛定谔方程的程序,通过高效分解分子哈密顿量,实现高精度红外光谱计算,减少内存使用。
2018-07-25 cs.CC cs.NA math.NA
Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning
Indian Institute of Science(印度科学学院)
本文提出一种仅基于气体混合物和吸附剂物理性质特征的机器学习模型,通过在碳分子筛膜和CoRE MOF数据库上联合训练,统一预测两类材料中纯气体和二元混合气体的吸附等温线,并成功预测CALF-20的CO2吸附量。
2024-06-19 cond-mat.mtrl-sci cond-mat.soft cs.LG
UGA-SSMRPT2 -- A Multireference Perturbation Theory Predicting Accurate Electronic Excitation Energies in Diverse Molecular Systems
Indian Institute of Science Education and Research Kolkata(印度科学教育研究学院加尔各答分校);Syamaprasad College(西亚马普拉萨德学院)
UGA-SSMRPT2 提出了一种多参考微扰理论,用于在多种分子系统中准确预测电子激发能级,具有高精度和计算效率。
2026-02-04 physics.chem-ph physics.comp-ph quant-ph
Predicting second virial coefficients of organic and inorganic compounds using Gaussian Process Regression
我们表明,通过使用直观的和可访问的分子特征,它是可以预测的温度依赖性的第二维里系数的有机和无机化合物,使用高斯过程回归。特别是,我们建立了一个低维表示的特征的基础上的内在分子性质,拓扑结构和物理性质相关的分子-分子相互作用的表征。特征化用于预测第二维里系数的内插制度与一个相对误差$\lesssim 1\% $和外推的预测温度的训练范围外的数据集中的每种化合物的相对误差为2.14\%。此外,该模型的预测能力扩展到在训练过程中看不见的有机分子,产生预测的相对误差为2.66\%。因此,除了是鲁棒的,本高斯过程回归模型是可扩展的各种有机和无机化合物。
2020-10-21 physics.atom-ph physics.chem-ph physics.comp-ph
Improved machine learning algorithm for predicting ground state properties
California Institute of Technology(加州理工学院);Johannes Kepler University(约翰内斯开普勒大学);AWS Center for Quantum Computing(AWS量子计算中心)
提出一种编码几何局部性的经典机器学习算法,仅需O(log(n))数据即可高效预测n-qubit有隙局部Hamiltonian的基态性质,且训练预测时间呈O(n log n)缩放,在45 qubits系统中获验证。
2023-01-30 cs.LG physics.comp-ph quant-ph
Hamiltonian and Alias-Free Hybrid Particle-Field Molecular Dynamics
混合粒子场分子动力学将标准分子势与密度场模型相结合,成为一种计算效率高的方法,非常适合于中尺度软物质系统的研究。在这里,我们介绍了一个新的配方的基础上过滤的密度和粒子网格形式主义,允许哈密顿动力学和无别名力计算。这是通过引入一个长度尺度的粒子场相互作用的数值网格独立的密度场,使网格细化后的力量的系统收敛。我们的计划概括了文献中提出的原始粒子场分子动力学实现,发现它们作为限制条件。这个新配方的准确性基准考虑简单的单原子系统所描述的标准混合粒子场电位。我们发现,通过控制时间步长和网格尺寸,可以得到能量守恒和动量守恒,以及混叠的消失。增加粒子场相互作用的长度尺度允许使用更大的时间步长和更粗的网格。这促进了使用多个时间步长的策略,在准瞬时近似,这是不保存能量和动量同样好。最后,我们对简单单原子系统的结构和动力学性质的研究表明,本公式和高斯核模型之间具有一致的行为。
2020-07-03 cond-mat.soft physics.comp-ph
An empirical formulation of accelerated molecular dynamics for simulating and predicting microstructure evolution in materials
Yangtze University(长江大学);Wuhan University(武汉大学);The University of Osaka(大阪大学);Zhejiang Normal University(浙江师范大学)
本文提出了一种实证分子动力学方法,通过引入最近邻偏心绝对位移作为广义反应坐标,实现对材料微结构演化的加速模拟与预测。
2025-12-09 cond-mat.mtrl-sci physics.comp-ph
Quasi-Hamiltonian Equations of Motion for Internal Coordinate Molecular Dynamics of Polymers
传统的分子动力学模拟大分子需要很长的计算时间,因为与限制积分时间步长的键长和键角的快速振荡相比,最感兴趣的运动非常慢。在内部坐标空间中的动力学模拟,即键长,键角和扭转作为独立变量,给出了从系统中消除所有不感兴趣的快速自由度的理论可能性。提出了一种新的大分子内坐标分子动力学模拟方法。运动方程推导出适用于任何数量的内部自由度的支链分子。方程使用规范变量,它们比现有的类似物简单得多。在数值试验中,将内坐标动力学与传统的笛卡尔坐标分子动力学在56个残基的球状蛋白质的模拟中进行了比较。结果表明,传统的和内部的坐标动力学需要相同的时间步长相同的精度和氨基酸的标准几何近似,即与固定的键长,键角和刚性芳香族基团,特征步长为4秒,这是2倍高于固定的键长。当氢原子的旋转被抑制时,步长可以增加到11 fsec。
1997-03-12 physics.bio-ph physics.chem-ph physics.comp-ph
Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves
Johns Hopkins University(约翰斯·霍普金斯大学);Purdue University(普渡大学)
本文提出了一种基于物理约束的高斯过程回归框架,利用少量冲击波模拟数据预测受冲击材料状态及其不确定性沿赫荣尼特曲线的演变,通过约束Rankine-Hugoniot跃变条件构建热力学一致的协方差函数,从而在少量可解释超参数上进行优化,识别从领先弹性波到滞后塑性及相变波的转变。
2026-06-04 cs.CE physics.comp-ph stat.ML
Gradient-based reconstruction of molecular Hamiltonians and density matrices from time-dependent quantum observables
我们考虑一个哈密顿量与时间无关的量子系统,其哈密顿量由一组未知参数$α$参数化。该系统是准备在一个一般的量子态的演化算子,取决于一组未知的参数$P$。在准备之后,系统随时间演化,并且其特征在于依赖于时间的可观测${\cal O}(t)$。我们表明,它是可能的,以获得封闭形式的表达式之间的梯度的距离${\cal O}(t)$和一个计算的观测相对于$α$,$P$和所有元素的系统密度矩阵,无论是纯态或混合态。这些梯度可用于投影梯度下降以从动态可观测量推断$α$、$P$和相关的密度矩阵。我们结合这种方法与随机相位波函数近似,以获得封闭形式的表达梯度,可用于推断人口分布的平均时间依赖的观测量的问题中,大量的量子态参与动力学。该方法是通过确定的温度的分子气体(最初,在室温下的热平衡)从激光诱导的时间相关的分子排列。
2022-05-11 physics.comp-ph quant-ph
Practical Classical Molecular Dynamics Simulations for Low-Temperature Plasma Processing: A review
本文为综述类研究,介绍了分子动力学模拟作为有力工具,可在等离子体物理、化学及等离子体与材料/液体相互作用领域,为气相聚合等多种过程的研究提供重要洞见。
2023-12-13 physics.comp-ph physics.plasm-ph