Sep, 2023

可微密度泛函理论的开源基础设施

PDF
TL;DR利用数据学习量子化学计算中使用的交换相关函数已成为近年来越来越重要的问题，为此，我们建立了开源基础设施来训练神经交换相关函数，旨在通过借鉴多个组织所做工作的最新技术来标准化处理流程，我们已将该模型开源到 DeepChem 库中，为可微分量子化学方法的进一步研究提供了一个平台。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 用快速傅立叶变换的分子对接的等变标量场

    分子对接是基于结构的虚拟筛选的关键，本研究利用机器学习加速该过程，通过学习一种具有更快优化速度的函数形式评分函数，使用图神经网络参数化的多通道配体和蛋白质标量场的互相关作为评分函数，实现快速优化刚体自由度，并在常见结合口袋的虚拟筛选设置中表现良好。

    Dec, 2023

  • 密度泛函理论与库伦费用下的最优输运

    通过最优输运的观点，对密度泛函理论中的交换关联泛函提出了新的见解，并证明了在两个电子和半经典极限情况下，这种功能会减少到与给定密度相关的最优输运地图 T 有关的非常有趣的新形式的泛函，并为电子关联提供了洞察。

    Apr, 2011

  • 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

  • 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

  • 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