Jun, 2023

用变分原理规范机器学习密度泛函：非相互作用动能泛函

PDF
TL;DR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。
density functional theorynon-interacting kinetic energydeep neural networksregularization methodexchange-correlation functional
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

  • 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

  • 使用机器学习寻找密度泛函

    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

  • 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

  • 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

  • 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

  • 利用深度神经网络加速有限温度 Kohn-Sham 密度泛函理论

    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

  • 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

  • Grad DFT：机器学习增强的密度泛函理论软件库

    使用机器学习增强的交换相关能量泛函，基于密度泛函理论 (DFT) 构建了一个全可微的 JAX-based DFT 计算库 Grad DFT，并通过权重化的能量密度加权和神经网络确定权重来探索机器学习如何扩展 DFT 的能力。

    Sep, 2023

  • M-OFDFT：利用深度学习克服分子系统中无轨道密度泛函理论的障碍

    使用深度学习功能模型的 M-OFDFT 方法，在非周期性分子体系中具有与 Kohn-Sham DFT 相当的精确度，并且能够推广到大规模分子的研究，突破了量子化学中的准确性与效率之间的制约。

    Sep, 2023