Mar, 2024

关于在笛卡尔张量神经网络势函数中包含电荷和自旋状态的问题

PDF
TL;DR我们在这封信中介绍了 TensorNet 的一个扩展，它是一种最先进的等变笛卡尔张量神经网络势能，不需要架构改变或增加成本即可处理带电的分子和自旋态。通过结合这些属性，我们解决了输入退化问题，提高了模型在不同化学系统中的预测准确性。这一进步显著拓宽了 TensorNet 的适用范围，同时保持了效率和准确性。
tensornetextensionequivariant cartesian tensor neural network potentialcharged moleculesspin states
发现论文，激发创造
  • TensorNet：用笛卡尔张量表示法高效学习分子势

    该文章介绍了一种新的张量表示神经网络 TensorNet，其在分子系统表示中表现出了状态 - of-the-art 的性能，能有效地降低模型计算成本，并具有准确预测分子量子量的能力。

    Jun, 2023

  • 一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

    本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

    Sep, 2020

  • 基于费米子神经网络的从头算电子结构态

    本文介绍了一种将神经网络量子态扩展到相互作用费米子问题建模的方法，并使用该方法在多个二原子分子上进行电子结构计算，并将其与耦合簇方法和波函数的许多体变分态进行了基准测试，最终达到化学精确度或更好的水平。

    Sep, 2019

  • 用于等变信息传递的高阶不可约笛卡尔张量

    通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。

    May, 2024

  • 具有首量子化深度神经网络量子态的二维无自旋格子费米子相位

    开发了一种第一量子化深度神经网络技术，用于分析格上强耦合费米系统，利用深度残差网络和卷积残差块确定了最近邻相互作用方格点阵上自旋无粒子的基态，较小系统的结果与精确对角化结果比较一致，且具有很高的精度，可以在大系统中准确预测金属和电荷有序相之间的边界。

    Jul, 2020

  • TorchMD-NET: 基于等变换形式的 Transformer 用于神经网络分子势能

    本文提出了 TorchMD-NET 的结构，即一种新的等变转换器，用于预测量子机械性质，经过权重分析后发现与分子动力学或正常模式采样的构象的学习表示存在差异，同时强调包括不平衡构象的数据集对于分子能量模型的评价的重要性。

    Feb, 2022

  • E (3) 等变原子中心势在设计空间中的研究

    本文介绍了一个将 Atomic Cluster Expansion (ACE) 和 Neural Equivariant Interatomic Potentials (NequIP) 统一起来的数学框架，以及通过 NequIP 的 ablation study 对设计选项进行探究的实验，并提出了一个简化版本 BOTNet。

    May, 2022

  • 神经网络量子态，字符串纽带态和手征拓扑态

    通过比较研究，证明 Restricted Boltzmann Machines 与 Tensor-Network states 有很强的联系，在表示多体量子态时可以提高神经网络的效率。

    Oct, 2017

  • 对称消息传递算法用于张量特性和分子光谱预测

    本文介绍了通过使用极化原子相互作用的神经网络（PaiNN）来改善基于消息传递神经网络的分子预测性能，从而实现分子光谱模拟速度的提升。

    Feb, 2021

  • 将机器学习与量子张量网络相结合

    本文研究了张量网络在语言建模中的应用，通过对模拟 Motzkin 自旋链的问题进行抽象，发现张量模型具有接近完美的分类能力，并在训练样本减少时保持稳定的性能水平。

    Jan, 2024