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

利用物理学中汤姆森问题的启示，提出一种新型的正则化方法——最小超球能量（MHE）来减少神经网络中不必要的重复表示，并将其应用于各种挑战性任务，实验证明该算法的有效性。

May, 2018

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

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

本文介绍了一种通过引入神经网络和Monte Carlo方法相结合，结合深度迁移学习的方法来解决当前高精度计算方法在计算与电子相互作用的粒子数量较大时的计算成本大，探索引入权重共享约束的优化过程，使神经网络模型的95%的权重可以在变化的分子几何图案之间使用，从而加速优化。实现这一技术可以加速相同分子的核几何集的优化一倍，开辟了一条有希望的路线，可以产生预先训练的神经网络波函数，即使在不同的分子上也可以产生高精度。

May, 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

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

我们开发了一种名为Forward Laplacian的新型计算框架，通过高效的前向传播过程计算神经网络的Laplacian，从而极大地提高了NN-VMC的适用性，从而使NN-VMC能够在更大的系统中调查广泛的原子、分子和化学反应，为解决一般量子机械问题提供了巨大的潜力。

Jul, 2023

利用深度学习的变分蒙特卡罗方法（DL-VMC）预训练模型，结合改进的几何嵌入架构和SE(3)-等变模型来表示分子轨道, 在大量化学多样性分子集上进行自我监督波函数优化，在没有任何优化的情况下，获得胜过CCSD(T)-2Z等传统方法的波函数和绝对能量，并通过少量微调步骤获得精确的相对能量，提高了零编辑准确性。

Jul, 2023

Kohn-Sham方程是许多重要应用的基础，最近关于催化剂建模的机器学习工作主要集中在能量预测上，然而迄今为止还没有显示出显著的超出分布的泛化。在新的具有电荷密度的块状催化剂数据集上，我们研究了另一种基于Kohn-Sham电荷密度的逐点学习的方法。我们展示密度模型可以推广到训练时未见过元素组合的新结构，这是一种组合泛化形式。我们发现，在密度泛函理论中，超过80%的二元和三元测试案例的收敛速度比标准基线快，平均减少了13%的迭代次数，这可能具有独立的兴趣。我们的结果表明，密度学习是一种可行的替代方法，为应用提供了一种实现组合泛化的关键性质，虽然会换来更大的推理成本。

Oct, 2023