直接積空間における同変深学習による電子構造ハミルトニアン予測

- Hamiltonian予測のための等変深層学習フレームワーク DP-Learner を提案する論文。 - 既存手法が irreducible spherical tensors の direct-sum 空間で特徴を伝播するのに対し、Hamiltonian を local orbital と spin 基底上の direct-product 表現の operator block として直接扱う。 - Transformer 型アーキテクチャとして実装し、Hamiltonian 類似の特徴行列/テンソルを direct-product 空間の等変演算子で更新する。 - 大規模データセット MP-HAM-110K も構築している。

- 既存の等変アーキテクチャは direct-sum 空間で特徴を伝播するため、target Hamiltonian との表現の不一致が生じていた。 - この不一致により連続した Hamiltonian block が分断され、orbital coupling の直接操作が困難で、不規則な angular-momentum 成分への多数の変換が必要となり、ハードウェア実行やメモリ管理との整合も悪かった。 - DP-Learner は direct-product 空間で直接 message passing を行うことで、この表現不一致と計算ボトルネックの両方に対処する。 - 実験で state-of-the-art 手法に対し Hamiltonian 予測精度と推論効率を大幅に改善したと主張。

- Hamiltonian 類似の operator block 上で直接 message passing を行う等変学習フレームワーク。 - Lie-generator-based directional embedding を提案。 - invariantly weighted left--right products と contractions により SO(3), SU(2), 空間反転に対する等変性を保持。 - 明示的な Clebsch--Gordan decomposition や inverse reconstruction を必要としない。 - Transformer アーキテクチャとして実装し、非線形な invariant scalar routing が matrix unit 上の structured gating、directional propagation、attention、environment-embedded context interaction を制御する。

- MP-HAM-110K と Materials-HAM-SOC 上で実験を実施。 - MP-HAM-110K は 68 元素を含む 110,000 以上の材料構造からなり、Hamiltonian と wavefunction の両データを含む大規模データセット。 - 実験の結果、DP-Learner は state-of-the-art 手法と比較して Hamiltonian 予測精度と推論効率を大幅に改善した。

- 要旨からは不明。 - 表現不一致や計算ボトルネックの解決を動機として述べているが、限界や失敗ケース、計算コストの詳細な議論は要旨には記載されていない。

- 比較対象として言及される state-of-the-art の等変 Hamiltonian 予測手法（具体的名称は要旨からは不明）。 - 関連手法として Clebsch--Gordan decomposition を用いる等変ニューラルネットワーク、irreducible spherical tensor ベースの等変アーキテクチャ、Transformer 型等変モデル。 - データセット関連として Materials-HAM-SOC および MP-HAM-110K の原論文。