Feb, 2024

高斯平面波神经算子用于电子密度估计

PDF
TL;DR通过引入高斯平面波神经算子 (GPWNO)，本研究探讨了机器学习用于电子密度预测的方法，该方法对理解化学系统和密度泛函理论 (DFT) 模拟是基本重要的。经过对 QM9，MD 和材料项目数据集的广泛实验，表明 GPWNO 相对于其他十个基准模型具有出色的性能。
machine learningelectron density predictiondensity functional theory (dft) simulationsgaussian plane-wave neural operator (gpwno)qm9, md, and material project datasets
发现论文，激发创造
  • 神经算子引导高斯过程框架用于参数化偏微分方程的概率解

    神经算符、高斯过程、偏微分方程、不确定性度量和算符学习是该研究论文的关键词，提出了一个新的神经算符引导的高斯过程框架，通过实验验证了其在各种 PDE 示例中的优越准确性和预期不确定性特性。

    Apr, 2024

  • 预测三维地震波传播的傅里叶神经算子代理模型

    本文介绍了利用神经算子和傅里叶神经算子在三维地震学中进行高保真数值模拟并模拟地面运动时系列的应用。模型可以用于评估地质特征对地面运动的影响，特别是介于中等和大范围的区间的地面运动强度。

    Apr, 2023

  • 神经算子的散射问题

    最近，机器学习的最新发展提出了一种被称为神经算子的神经网络架构，能够近似函数空间之间的映射关系。我们以应用于基础物理学为目标，研究了它们在量子力学的散射过程中的应用。我们使用傅里叶神经算子的迭代变体来学习 Schrödinger 算子的物理性质，它将初始波函数和势能映射到最终波函数。这些深度算子学习的想法在两个具体问题中进行了测试：一个是在 $1+1$ 维度中预测波包散射在中心势场中的时间演化的神经算子，另一个是在 $2+1$ 维度中的双缝实验。在推断过程中，与传统的有限差分求解器相比，神经算子可以提高数个数量级的计算效率。

    Aug, 2023

  • 一个基础的神经算子，持续学习且无遗忘

    本研究引入了神经组合小波神经算子（NCWNO）的概念作为科学计算的基础模型，该模型专为学习各种物理学中的解算符，并能快速适应新的挑战，同时在新的参数化偏微分方程上保持积极的迁移，通过一系列基准测试例子证明了 NCWNO 在预测阶段能够超过特定任务基准的算子学习框架。

    Oct, 2023

  • 动态高斯图算子：在任意离散力学问题中学习参数化的偏微分方程

    本文提出了一种名为动态高斯图算子（DGGO）的新型算子学习算法，它将神经操作器扩展到任意离散力学问题中的学习参数偏微分方程（PDEs），通过动态高斯图（DGG）核将在一般欧几里得空间中定义的观测向量映射到高维均匀度量空间中定义的度量向量，致力于解决复杂的计算域上的通用性问题。

    Mar, 2024

  • 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

  • 神经 Pfaffians: 解决非常多电子的 Schrödinger 方程

    本研究提出了一种通过学习普适的波函数以很高的精度逼近多电子体系基态的方法，并通过采用 Pfaffians 而非 Slater determinants，成功解决了在任意电子系统环境下强制实现反对称性的挑战，从而在多个系统中以化学精度计算基态和电离能，并且比以前的泛化神经波函数减小了能量误差。

    May, 2024

  • 基于物理信息的具有 Gabor 基函数的神经波场

    通过使用满足波动方程的 Gabor 基函数的线性组合来模拟神经网络波场解决方案，从而增强了神经网络波场解决方案的效率和准确性。

    Oct, 2023

  • DPA-WNO：一类随机力学问题的灰箱模型

    提出了一种新颖的可微分物理增强小波神经算子 (DPA-WNO) 框架，该框架利用数据驱动模型纠正 / 识别缺失的物理，以解决时间依赖性不确定性量化问题。使用所提出的方法解决了来自科学和工程各个领域的四个基准不确定性量化和可靠性分析问题，并展示了结果。

    Sep, 2023

  • 采用深度神经网络求解多电子薛定谔方程

    本文提出了新颖的深度学习架构 —— 费米神经网络作为用于处理许多电子系统的有效波函数仿真，该方法可以在各种原子和小分子上获得比其他变分量子蒙特卡罗 Ansätze 更高的精度，优于其他从头开始的量子化学方法，可以直接优化之前难以处理的许多电子系统的波函数。

    Sep, 2019