cmp-mlの皆様、
(複数のメーリングリストに同様の内容を投稿しています。
重複して案内が届いた方はご容赦下さい。)
埼玉大学の品岡寛です。
量子計算物質科学を中心に、設定したテーマに沿った議論・交流を深める、
Zoomを利用したオンライン座談会
“Quantum Computational Material Science Roundtable”
第8回のご案内です。
第8回は前回に引き続き
「量子計算物質科学はどこに向かうのか？」
をテーマとして、
==========================================
日時: 2021年1月7日18:00-
講演者: Dr. David Pfau（DeepMind)
発表題目:
Deep Neural Networks for Ab Initio Quantum Chemistry
概要：
In this talk, I will present work on how ideas from the machine learning community can give back to computational physics, in particular deep neural networks and approximate natural gradient descent. I will present a novel deep neural network architecture, the Fermionic Neural Network (FermiNet), which can be used as an expressive class of approximate solutions (Ansätze) to the Schrödinger equation for many-electron systems. We optimize the FermiNet by Kronecker-Factorized Approximate Curvature (KFAC), an approximation to natural gradient descent which can also be used to approximate stochastic reconfiguration. This makes it possible to scale stochastic reconfiguration to Ansätze with large numbers of parameters. We show that the FermiNet is able to achieve much higher accuracy than standard variational QMC Ansätze like the Slater-Jastrow-backflow ansatz, and can exceed the accuracy of coupled cluster methods like CCSD(T) on bond-breaking systems like the transition of bicyclobutane to butadiene. This shows that deep neural networks can be used to greatly improve the accuracy of variational QMC, to the point where it is competitive with other state-of-the-art ab initio methods.
==========================================
で行います。
参加をご希望の方は、webページ
shinaoka.github.io/QCMSR/
の登録フォームから事前に参加登録をお願い致します。
一度参加登録していただくと、次回以降、講演情報・Zoomリンクが適宜、配信されます。
第8回に参加予定の方は、1月6日までにご登録ください。
深層学習の量子物質科学への応用に興味をお持ちの方は、
是非、参加をご検討頂ければ幸いです。
よろしくお願い致します。
【座談会世話人】
品岡寛 (埼玉大)、大久保毅 (東大)、水上渉（阪大)、大槻純也 (岡山大)、三澤貴宏 (BAQIS)、井戸康太 (東大)、森田悟史 (東大)、杉崎研司 (大阪市立大)、山地洋平 (東大)、藤堂眞治 (東大) 、明石遼介（東大）、御手洗光祐（阪大)、三宅隆（産総研)（順不同)
————————————————-
Computational Material Physics Mailing List
home: www.issp.u-tokyo.ac.jp/public/cmp/
archive: cmp-ml.issp.u-tokyo.ac.jp
twitter: https://twitter.com/cmp_ml
————————————————-