Oct, 2020

利用深度神经网络加速有限温度 Kohn-Sham 密度泛函理论

PDF
TL;DR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。
machine learningdensity functional theorynumerical modelinglocal density of statesmultiscale materials modeling
发现论文，激发创造
  • 用机器学习隐藏信息来完成密度泛函理论从分子中的应用

    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

  • D4FT: 基于深度学习的 Kohn-Sham 密度泛函理论方法

    通过深度学习方法重新参数化正交约束并采用随机梯度下降算法，对 Kohn-Sham 密度泛函理论进行优化，将计算复杂度从 O（N ^ 4）降至 O（N ^ 3），从而提高了计算效率和稳定性。

    Mar, 2023

  • 用机器学习绕过 Kohn-Sham 方程

    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

  • 材料的通用机器学习 Kohn-Sham 哈密顿

    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

  • KineticNet: 深度学习转移动能能量泛函应用于无轨道密度泛函理论

    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

  • 使用全可微密度泛函理论从自然界学习交换相关泛函

    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

  • 神经 SCF：用于密度泛函理论的神经网络自洽场

    通过机械学习加速，我们提出了一种神经网络自洽场 (NeuralSCF) 框架，其以 Kohn-Sham 密度 (density) 映射为深度学习目标，模拟了 Kohn-Sham 方程的自洽迭代，获得电子密度并衍生其他性质，从而在电子密度预测和衍生性质上实现了最先进的准确度，并在分布外系统上具有出色的零样本泛化能力，表明从 KS-DFT 的内在机理中学习明显提高了模型的准确性和可转移性，为通过机械学习加速电子结构计算提供了有希望的基石。

    Jun, 2024

  • 机器学习逼近密度泛函理论哈密顿量

    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

  • 用变分原理规范机器学习密度泛函：非相互作用动能泛函

    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

  • 通过反向传播优化密度泛函理论降低量子化学数据成本

    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。

    Feb, 2024