ترجمه فارسی مقاله یادگیری مقیاس‌پذیر پتانسیل‌ها برای پیش‌بینی دینامیک‌های هارتری-فوک وابسته به زمان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Scalable learning of potentials to predict time-dependent Hartree-Fock dynamics
عنوان مقاله به فارسی یادگیری مقیاس‌پذیر پتانسیل‌ها برای پیش‌بینی دینامیک‌های هارتری-فوک وابسته به زمان
نویسندگان Harish S. Bhat, Prachi Gupta, Christine M. Isborn
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Chemical Physics,Computational Physics,Data Analysis, Statistics and Probability,Machine Learning,فیزیک شیمیایی , فیزیک محاسباتی , تجزیه و تحلیل داده ها , آمار و احتمال , یادگیری ماشین ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: 24 pages, 8 figures
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 24 صفحه ، 8 شکل

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We propose a framework to learn the time-dependent Hartree-Fock (TDHF) inter-electronic potential of a molecule from its electron density dynamics. Though the entire TDHF Hamiltonian, including the inter-electronic potential, can be computed from first principles, we use this problem as a testbed to develop strategies that can be applied to learn emph{a priori} unknown terms that arise in other methods/approaches to quantum dynamics, e.g., emerging problems such as learning exchange-correlation potentials for time-dependent density functional theory. We develop, train, and test three models of the TDHF inter-electronic potential, each parameterized by a four-index tensor of size up to $60 times 60 times 60 times 60$. Two of the models preserve Hermitian symmetry, while one model preserves an eight-fold permutation symmetry that implies Hermitian symmetry. Across seven different molecular systems, we find that accounting for the deeper eight-fold symmetry leads to the best-performing model across three metrics: training efficiency, test set predictive power, and direct comparison of true and learned inter-electronic potentials. All three models, when trained on ensembles of field-free trajectories, generate accurate electron dynamics predictions even in a field-on regime that lies outside the training set. To enable our models to scale to large molecular systems, we derive expressions for Jacobian-vector products that enable iterative, matrix-free training.

چکیده به فارسی (ترجمه ماشینی)

ما یک چارچوب برای یادگیری پتانسیل بین الکترونیکی Hartree-Fock (TDHF) وابسته به زمان از یک مولکول از پویایی چگالی الکترونی آن پیشنهاد می کنیم.گرچه کل TDHF همیلتون ، از جمله پتانسیل بین الکترونیکی ، می تواند از اصول اول محاسبه شود ، ما از این مشکل به عنوان یک بستر آزمایشی استفاده می کنیم تا استراتژی هایی را تهیه کنیم که می تواند برای یادگیری emp {یک پیشینی ناشناخته باشد که در روش های دیگر بوجود می آیند/رویکردهای پویایی کوانتومی ، به عنوان مثال ، مشکلات نوظهور مانند پتانسیل های همبستگی تبادل یادگیری برای نظریه عملکردی چگالی وابسته به زمان.ما سه مدل از پتانسیل بین الکترونیکی TDHF را توسعه داده ، آموزش می دهیم ، و آزمایش می کنیم ، که هر یک با یک تانسور چهار شاخص از اندازه تا 60 دلار 60 برابر 60 60 برابر 60 $.دو مورد از این مدل ها تقارن هرمیتی را حفظ می کنند ، در حالی که یک مدل تقارن هشت برابر مجوز را حفظ می کند که دلالت بر تقارن هرمیتی دارد.در بین هفت سیستم مولکولی مختلف ، می فهمیم که حسابداری تقارن هشت برابر عمیق تر منجر به مدل بهترین عملکرد در سه معیار می شود: راندمان آموزش ، مجموعه آزمایشی تنظیم قدرت پیش بینی کننده و مقایسه مستقیم پتانسیل های بین الکترونیکی واقعی و آموخته شده.هر سه مدل ، هنگامی که در گروه های مسیرهای عاری از میدان آموزش دیده اند ، پیش بینی های دقیق دینامیک الکترونی را حتی در یک رژیم میدانی که در خارج از مجموعه آموزش قرار دارد ، تولید می کنند.برای اینکه مدل های خود را قادر به مقیاس به سیستم های بزرگ مولکولی کنیم ، ما عباراتی را برای محصولات وکتور ژاکوبیان بدست می آوریم که آموزش تکراری و عاری از ماتریس را امکان پذیر می کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.