数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用,从而提高了模型的可迁移性和可解释性,节省了计算成本,并为发展机器学习增强型电子结构方法提供了蓝图。
Nov, 2023
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
结合现代科学计算和电子结构理论,基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测,从而实现对合成可及的虚拟化合物库的高通量筛选,成本极低且准确度与现代量子化学方法相当甚至更优。
May, 2013
介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展,同时探讨了在此领域中的一些挑战。
Nov, 2019
本文提出了一种基于深度学习的量子力学波函数预测框架,以实现分子结构的反向设计,用于优化目标电子性质,表明这种方法打开了机器学习和量子化学更协同的前景。
Jun, 2019
近年来,机器智能在预测电子结构、分子力场以及各种凝聚系统的物理化学性质方面得到了显著增长。然而,对于处理广泛的原子组成和热力学条件的全面框架仍面临重大挑战。本文展望了液态理论在利用最新功能性机器学习进展方面的潜在未来发展。通过发挥理论分析和机器学习技术的优势,包括代理模型、降维和不确定性量化,我们预见液态理论将在准确性、可扩展性和计算效率方面取得显著改进,从而实现在各种材料和化学体系中的广泛应用。
本研究通过机器学习方法,实验性地构造了一个量子态分类器,能够识别量子态可分离性,此方法能有效地学习和分类量子态,并不需要获取完整的量子态信息。同时本研究表明,通过添加神经网络的隐藏层,可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路,并代表了机器学习在量子信息处理领域的应用进展。
Dec, 2017
本文探讨了机器学习在科学研究中的潜力,使用物理导向的人工智能方法研究了在量子实验中产生高维纠缠多光子态的复杂光子量子实验的设计与实现,自主学习创造了多种纠缠态并提高了实现效率,提出了机器在未来研究中具有更加创造性的可能。
Jun, 2017
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
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