本研究提出一种基于深度神经网络的正则化训练密度泛函的方法，特别关注于动能泛函，在多个测试中获得了优秀的结果，并就交换相关泛函的矛盾性质进行了机器学习的讨论。

Jun, 2023

机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确性方面的最新进展，并通过将有希望的模型应用于训练集之外的系统的例子，讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。

Nov, 2023

本文介绍一种基于机器学习的方法，通过学习电子结构问题的动能泛函，直接学习测试系统和各种分子的密度势和能量密度图，并演示了该方法通过复制分子动力学模拟期间生成的一系列分子几何体系，实现了改进的精度和较低的计算成本，同时还探讨了该方法可直接应用于量子化学计算，以构建量子化学精度的密度泛函。

Sep, 2016

本研究使用机器学习方法基于数据库构建材料密度泛函理论的交换 - 相关能泛函，证明较小的数据集已可以生成复杂的泛函。

Mar, 2019

通过机器学习和 kernel ridge regression 方法，提出一种快速且准确的预测 DFT 哈密顿量的方法，可适用于各种所需的材料系统，并与 DFT 计算结果进行比较。

Sep, 2016

本研究提出了一种新的基于机器学习的数值模拟工作流，通过深度神经网络构建局部态密度来计算一系列相关量，包括可用作原子的 Born-Oppenheimer 势能面的总自由能，从而实现了在计算速度和规模上远超传统方法的多尺度材料建模。

Oct, 2020

本文通过使用神经网络替代密度泛函理论中的交换 - 相关泛函来提高模拟精度，表明此方法可通过少量的实验数据点来处理包含新键和原子的化合物集合。（Keywords translated to: ab initio 模拟、机器学习、神经网络、量子化学建模、原子化能）

Feb, 2021

使用 KineticNet 深度神经网络对轨道自由密度泛函理论中的动能能量进行建模，通过分子平面网格预测分子的动能能量函数，以获得具有化学准确性的模型，从而实现轨道自由密度泛函理论的密度优化，以及对小分子的基态分子属性计算。

May, 2023

我们引入了一个机器学习模型来预测有机分子的原子化能，基于核电荷和原子位置。该回归模型是通过将求解分子 Schr"odinger 方程的问题映射为复杂度较低的非线性统计回归问题。我们使用杂化密度泛函理论计算的原子化能进行回归模型的训练和比较。通过对超过七千个小有机分子进行交叉验证，得到的平均绝对误差为～10 kcal/mol。该模型的适用性已经通过预测分子原子化潜能曲线得到证明。

Sep, 2011

基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

Aug, 2023