材料中电荷密度预测的高阶等变神经网络

Dec, 2023

材料中电荷密度预测的高阶等变神经网络

Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials

Teddy Koker, Keegan Quigley, Eric Taw, Kevin Tibbetts, Lin Li

TL;DR通过使用等变图神经网络 ChargE3Net 来预测原子系统中的电子密度分布，本研究展示了比先前工作更佳的性能，并在规模更大的系统上可行于密度泛函理论 (DFT) 计算，同时能够预测材料的电子和热力学性质以及加速 DFT 的自洽迭代过程。

Abstract

The calculation of electron density distribution using density functional theory (DFT) in materials and molecules is central to the study of their quantum and macro-scale properties, yet accurate and efficient calculation remains a long-standing challenge in the field of material scien

electron density distribution density functional theory charge3net graph neural network atomic systems

发现论文，激发创造

电荷密度预测的配方

在密度泛函理论中，电荷密度是原子系统的核心属性，可以通过它推导出所有的化学性质。机器学习方法在显著加速电荷密度预测方面具有潜力，然而现有方法要么缺乏准确性，要么缺乏可扩展性。我们提出了一个能够同时实现准确性和可扩展性的方案，其核心是使用原子和虚拟轨道来表示电荷密度，使用具有表达能力和可学习性的轨道基组，并使用高容量的等变神经网络架构。我们的方法在准确性上达到了最先进的水平，同时比现有方法快一个数量级以上。此外，我们的方法通过调整模型 / 基组大小实现了灵活的效率 - 准确性平衡。

May, 2024

一种具有准确电静势及包含非局域电荷转移的四代高维神经网络势

本研究介绍了第四代高维神经网络势方法，其结合了环境依赖型原子电负性和准确的原子能量，能够正确描述任意系统中的全局电荷分布，从而大大改善了现代机器学习能力的适用性，准确且广泛地应用于化学和材料科学中。

Sep, 2020

E (3) 等变图神经网络用于高效且准确的原子间势能

这项工作提出了神经等变分子间势 (NequIP), 一种用于学习分子动力学模拟的从自由计算中学习分子间势的 E (3) 等变神经网络方法。NequIP 通过几何张量相互作用利用 E (3)- 等变卷积，此方法在数据效率方面具有非凡的性能，使得准确利用高损耗的量子化学理论构建准确潜力成为可能，并使得长时间尺度上的高保障分子动力学模拟成为可能。

Jan, 2021

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

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

带有离子电荷初始化的开源费米子神经网络

在本文中，我们旨在将一种称为 FermiNet 的后 - HF 深度神经网络模型集成到一个标准且广泛使用的开源库 DeepChem 中，并提出了新的初始化技术来克服离子上赋予过多或过少电子的困难。

Jan, 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

含有效芯势的费米神经网络

本论文使用深度学习技术结合有效芯势方法，开发出一个基于神经网络的模型 FermiNet-ECPP，对 3D 过渡金属原子和其氧化物进行基态能量计算，展示了深度学习在分子和材料的电子结构计算方面的广泛应用前景。

Aug, 2021

欧几里得神经网络直接预测声子态密度

本论文利用欧氏神经网络，输入仅为原子种类和位置，直接预测晶体固体中的声子态密度。通过该方法，可以高效地探索材料的声子结构，并能进一步快速筛选出高性能的热储存材料和声子介导超导体。

Sep, 2020