物理约束机器学习中的电子激发态

Nov, 2023

物理约束机器学习中的电子激发态

Electronic excited states from physically-constrained machine learning

Edoardo Cignoni, Divya Suman, Jigyasa Nigam, Lorenzo Cupellini, Benedetta Mennucci...

TL;DR数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。

Abstract

data-driven techniques are increasingly used to replace electronic-structure calculations of matter. In this context, a relevant question is whether machine learning (ML) should be applied directly to predict the desired properties or be combined explicitly with physically-grounded ope

data-driven techniques machine learning symmetry-adapted ml model electronic excitations ml-augmented electronic-structure methods

发现论文，激发创造

化合物空间分子电子性质的机器学习

结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

May, 2013

分子电子激发态的机器学习

本文综述了如何应用机器学习来加速电子激发态分子的计算，涵盖了电子激发态的动力学模拟、吸收光谱的计算等，并对机器学习技术所面临的问题和挑战，以及量子化学计算的基础进行了介绍和总结。

Jul, 2020

可证明高效的量子多体问题机器学习

这篇论文证明了经典机器学习算法可以有效地预测有限空间维度内间隙哈密顿量的基态性质及其它相类哈密顿量的数据，并可以有效地分类一系列的量子相，在量子实验中可以通过构建经典影像来预测系统的多种属性。

Jun, 2021

分子电子结构的多任务学习方法接近耦合群精确度

发展了一种统一的机器学习方法，用于有机分子的电子结构，使用 CCSD (T) 计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

May, 2024

机器学习与量子化学的统一 - 分子波函数的深度神经网络

本文提出了一种基于深度学习的量子力学波函数预测框架，以实现分子结构的反向设计，用于优化目标电子性质，表明这种方法打开了机器学习和量子化学更协同的前景。

Jun, 2019

自洽验证机器学习电子结构

机器学习在高效解决电子结构问题方面已经崛起，并且为了解决其在现实场景中泛化能力的问题，提出了预测准确度估计的技术，该方法将机器学习与自洽场方法相结合以实现低验证成本和可解释性，从而能够通过主动学习探索模型能力并增加其在现实世界研究中的信心。

Feb, 2024

分子模拟的机器学习

介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

Nov, 2019

基于核方法的机器学习夹心势场实验设计的优化：提高效率和可转移性

数据驱动的机器学习模型通常基于灵活而非物理函数，可以将原子排列的微妙方面与能量和力的预测联系起来。我们的研究挑战在于化学环境描述符通常是稀疏的高维对象，缺乏明确定义的连续度量。我们通过经典的统计实验规划和最优设计方法来解决这个问题，以减轻狭窄和偏见采样的陷阱，并评估数据的信息量，确保训练集是否可行。这种方法易于实施，不需要复杂的框架或高性能计算。

May, 2024

机器学习提高密度泛函近似的准确性

机器学习技术在计算化学中的应用被认为是加速原子模拟和材料设计的无可或缺的工具。此外，机器学习方法有潜力提高计算效率高的电子结构方法（如密度泛函理论）的预测能力，纠正密度泛函方法中的基础错误。本文回顾了机器学习在提高密度泛函和相关近似方法准确性方面的最新进展，并通过将有希望的模型应用于训练集之外的系统的例子，讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景和挑战。

Nov, 2023

如何为机器学习表示晶体结构：实现电子性能的快速预测

本文提出了一种机器学习方法，以快速预测固体材料的性质，通过使用对称可扩展的晶体结构表示法，实现高精度的学习和预测，主要关注预测金属或绝缘体行为以及费米能级处的电子状态密度的值。

Jul, 2013