一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

Sep, 2020

一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

A Fourth-Generation High-Dimensional Neural Network Potential with Accurate Electrostatics Including Non-local Charge Transfer

PDF

Tsz Wai Ko, Jonas A. Finkler, Stefan Goedecker, Jörg Behler

TL;DR本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

Abstract

machine learning potentials have become an important tool for atomistic simulations in many fields, from chemistry via molecular biology to materials science. Most of the established methods, however, rely on local properties and are thus unable to take global changes in the

machine learning atomistic simulations neural network potential charge equilibration electronic structure

发现论文，激发创造

含有效芯势的费米神经网络

本论文使用深度学习技术结合有效芯势方法，开发出一个基于神经网络的模型 FermiNet-ECPP，对 3D 过渡金属原子和其氧化物进行基态能量计算，展示了深度学习在分子和材料的电子结构计算方面的广泛应用前景。

Aug, 2021

材料中电荷密度预测的高阶等变神经网络

通过使用等变图神经网络 ChargE3Net 来预测原子系统中的电子密度分布，本研究展示了比先前工作更佳的性能，并在规模更大的系统上可行于密度泛函理论 (DFT) 计算，同时能够预测材料的电子和热力学性质以及加速 DFT 的自洽迭代过程。

Dec, 2023

PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

Feb, 2019

采用深度神经网络求解多电子薛定谔方程

本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

Sep, 2019

深度学习与薛定谔方程

使用深度卷积神经网络预测四类二维电势约束下电子的能量，实验结果表明，模型在预测基态能量上可以达到化学精度水平，并探究了模型在预测其他物理量（如动能、第一激发态能量）表现的情况。

Feb, 2017

基于人工神经网络的石墨烯可靠机器学习势

本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

Jun, 2023

为硅开发通用的原子间位能机器学习模型

本文提出了一种使用基于机器学习思想的高斯近似势的方法，成功地对硅材料进行了量子力学计算，从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。

May, 2018

用人工神经网络研究二维量子多体动力学

该研究讨论了利用人工神经网络编码量子多体波函数的方法，有效地模拟了二维空间中的量子物质的无平衡实时演化，并应用到横向场伊辛模型上，验证了该方法的准确性和可行性。

Dec, 2019

神经网络 Kohn-Sham 交换相关势及其超出训练的可转移性

通过将经过训练的神经网络投影到电荷密度分布上，得到 Hartree-exchange-correlation potential $n ightarrow V_{m Hxc}$，从而实现对精确 Kohn-Sham 方案的可能数值逼近。与一个简单模型进行研究表明，良好训练的神经网络 $V_{m Hxc}$ 可以精确评估电荷密度和总能量，其精度超出了用于训练的模型参数范围，说明机器学习构建可以近似地封装理想的 $V_{m Hxc}$ 功能形式的属性。同时表明，一种在模型参数空间边界处具有重要限制的因素可以通过设置跨越该界限的培训参数范围来解决。该研究对于更一般的体系适用，并为数值有效的 Kohn-Sham 电位开辟了一条新的途径。

Feb, 2018

带有离子电荷初始化的开源费米子神经网络

在本文中，我们旨在将一种称为 FermiNet 的后 - HF 深度神经网络模型集成到一个标准且广泛使用的开源库 DeepChem 中，并提出了新的初始化技术来克服离子上赋予过多或过少电子的困难。

Jan, 2024