Nov, 2023

运用机器智能完善液态理论

PDF
TL;DR近年来，机器智能在预测电子结构、分子力场以及各种凝聚系统的物理化学性质方面得到了显著增长。然而，对于处理广泛的原子组成和热力学条件的全面框架仍面临重大挑战。本文展望了液态理论在利用最新功能性机器学习进展方面的潜在未来发展。通过发挥理论分析和机器学习技术的优势，包括代理模型、降维和不确定性量化，我们预见液态理论将在准确性、可扩展性和计算效率方面取得显著改进，从而实现在各种材料和化学体系中的广泛应用。
machine intelligenceelectronic structuremolecular force fieldsliquid-state theoriesfunctional machine learning
发现论文，激发创造
  • 机器学习统一材料和分子建模

    本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

    Jun, 2017

  • 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

  • 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

  • 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

  • 加速无机表面的机器学习预测与原子间势

    固态材料的表面性质对其功能起着重要作用，表面性质是由材料合成或操作条件决定的，计算表面科学方法和机器学习算法在研究复杂的纳米尺度的无机表面具有很大的潜力。

    Dec, 2023

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 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

  • 物理约束机器学习中的电子激发态

    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。

    Nov, 2023

  • 机器学习物态相

    采用神经网络通过监督学习来识别凝聚态系统中的相和相变，能够通过现代软件库方便地进行编程，能够检测到多种类型的序参量，包括高度非平凡的库仑相，并且即使在没有哈密顿量甚至相互作用的广义局部性知识下，也能够实现分类。

    May, 2016

  • 对称不变的量子机器学习力场

    运用机器学习技术设计了量子神经网络，该网络明确地结合了大量具有物理相关性的对称性，以预测原子势能和原子力的潜在能量表面。研究结果表明，凭借几何量子机器学习框架，分子力场的生成可以从中获益，并且化学系统对于发展和应用先进量子机器学习工具具有丰富的应用潜力。

    Nov, 2023