2023 Fiscal Year Final Research Report

Development of machine-learned electron correlation method considering nonlocal correlation and relativistic effect

Research Project

PDF

Project/Area Number	21K05002
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 32010:Fundamental physical chemistry-related
Research Institution	Toyohashi University of Technology
Principal Investigator	Ikabata Yasuhiro 豊橋技術科学大学, 情報メディア基盤センター, 准教授 (10728166)
Project Period (FY)	2021-04-01 – 2024-03-31
Keywords	量子化学計算 / 機械学習 / 電子相関 / 相対論効果 / 密度汎関数理論
Outline of Final Research Achievements	Machine learning is gaining attention as a means of reducing the computational cost of quantum chemical calculations. The machine-learned electron correlation (ML-EC) model predicts the electron correlation energy density in the complete basis limit of the CCSD(T) method from density variables obtained by the Hartree-Fock calculation. We worked on improving the generalization performance of the ML-EC model by determining the applicable region. We also worked on the development of a machine learning model that reproduces atomic energies without the Hartree-Fock calculation. The ML-EC model is based on the idea of approximate exchange-correlation functionals in density functional theory (DFT). We worked on several topics related to DFT such as the development of a new hybrid functional, the improvement of a density-dependent dispersion correction, and the elucidation of controlling factors of minimum-energy conical intersections within the framework of spin-flip time-dependent DFT.
Free Research Field	量子化学
Academic Significance and Societal Importance of the Research Achievements	量子化学の計算コストを削減するためにエネルギーを再現する機械学習モデルを構築する研究が多数行われてきた。多くの研究例では系全体のエネルギーをグラフ畳み込みニューラルネットワークなどで再現している。これは，情報学的手段を用いて空間的な非局所性を扱うことを意味する。一方，本研究課題は量子化学の理論に基づき局所的なエネルギー密度もしくは原子エネルギーを定義し，これを目的変数とする点で独自性および学術的意義がある。また，本研究課題で遂行されたDFT関係の研究テーマは，DFTにおける交換相関汎関数の近似を改善する。円錐交差の支配因子のテーマは，光物性や光化学における分子設計に貢献する。