時間依存密度汎関数理論シミュレーションのための機械学習時間伝搬子
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2508.16554v2発表タイプ：置換クロス
要旨：時間依存密度汎関数理論（TDDFT）は、レーザー場などの外部時間依存摂動下での電子ダイナミクスを調査するために広く用いられる手法です。本研究では、電子密度の時間伝播因子として自己回帰ニューラルオペレーターを用いた、リアルタイムTDDFTに基づく電子ダイナミクスシミュレーションを高速化する機械学習アプローチを提案します。物理情報に基づいた制約と特徴量化、および高解像度訓練データを利用することで、従来の数値解法と比較して、優れた精度と計算速度を実現します。様々なレーザーパラメータの影響下にある1次元2原子分子群を用いて、モデルの有効性を示します。本手法は、レーザー照射分子および材料のオンザフライモデリングにおいて、広範囲のレーザー実験パラメータにおいて高速な機械学習予測を利用することで、可能性を秘めています。
原文（英語）を表示
Title (EN): Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations
arXiv:2508.16554v2 Announce Type: replace-cross
Abstract: Time-dependent density functional theory (TDDFT) is a widely used method to investigate electron dynamics under external time-dependent perturbations such as laser fields. In this work, we present a machine learning approach to accelerate electron dynamics simulations based on real time TDDFT using autoregressive neural operators as time-propagators for the electron density. By leveraging physics-informed constraints and featurization, and high-resolution training data, our model achieves superior accuracy and computational speed compared to traditional numerical solvers. We demonstrate the effectiveness of our model on a class of one-dimensional diatomic molecules under the influence of a range of laser parameters. This method has potential in enabling on-the-fly modeling of laser-irradiated molecules and materials by utilizing fast machine learning predictions in a large space of varying experimental parameters of the laser.
Published: 2025-09-24 19:00 UTC