化学空间中的 TDDFT 和机器学习电子光谱
发展了一种统一的机器学习方法,用于有机分子的电子结构,使用 CCSD (T) 计算作为训练数据,模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上,对基态和激发态性质进行了验证,展示了其对于复杂系统的准确性和概括能力。
May, 2024
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
介绍了一种将机器学习纠正与计算便宜且近似的遗留量子方法相加的组合策略,从而实现了对化学热力学性质的高度准确预测,实现了化学精度和低计算成本的平衡。
Mar, 2015
本文提出了一种基于机器学习的策略来预测分子红外光谱的方法,建立在从头分子动力学模拟的基础上,利用各种机器学习技术加速模拟并扩展可处理的系统大小,其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力,我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型,同时在甲醇分子,含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下,将其应用于模拟红外光谱,并发现与理论和实验光谱具有出色的一致性。
May, 2017
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
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
本文提出一种利用多保真度机器学习模型预测分子第一激发态能级的方法,该方法将高度准确的训练数据与成本更低、准确度较低的数据相结合,能够在保持高精度的同时极大地降低计算时间和成本。
May, 2023