该研究介绍了一个基于普适性电子哈密顿模型的技术，该模型通过使用从材料项目的第一性原理计算获得的哈密顿矩阵进行训练，展示了在预测整个周期表中的电子结构以及复杂的多元素系统方面的广泛适应性，为计算电子性质提供了一个可靠高效的框架，并为与电子结构相关的各个领域的进展奠定了基础。
Feb, 2024
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
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
使用基于机器学习的方法，对 20,000 个小有机分子的低 - 激发垂直电子光谱进行了预测，并通过 CC2 频谱和基于 TD-DFT 方法的频谱偏差进行训练，发现通过所得数据可以更准确地进行预测。
Apr, 2015
用具有扩展 Hubbard 泛函的密度泛函理论（DFT + U + V）来精确描述含有过渡金属或稀土元素的复杂材料，并基于等变神经网络的机器学习模型，通过捕捉系统的电子结构、局部化学环境和氧化态来预测 Hubbard 参数，从而加速材料的发现和设计。
Jun, 2024
密度泛函理论准确预测分子的量子化学性质，但其计算规模与电子数量的立方成正比。Sch"utt 等人成功地通过神经网络以 1000 倍的速度近似 DFT。在扩展到更大分子时，最大的问题是 DFT 标记的成本。我们的方法在 31 小时内实现了可比较的性能。
运用机器学习方法逼近密度泛函，在 1D 非相互作用费米子运动能量模型中，仅需少于 100 个训练密度即可达到与测试密度相似的 1kcal /mol 以下的平均绝对误差，利用主成分分析，还可找到高精度自洽密度。文章探讨了将该方法应用于真实电子结构问题面临的挑战。
Dec, 2011
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