材料的通用机器学习 Kohn-Sham 哈密顿
通过机器学习和 kernel ridge regression 方法,提出一种快速且准确的预测 DFT 哈密顿量的方法,可适用于各种所需的材料系统,并与 DFT 计算结果进行比较。
Sep, 2016
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
本文介绍一种基于机器学习的方法,通过学习电子结构问题的动能泛函,直接学习测试系统和各种分子的密度势和能量密度图,并演示了该方法通过复制分子动力学模拟期间生成的一系列分子几何体系,实现了改进的精度和较低的计算成本,同时还探讨了该方法可直接应用于量子化学计算,以构建量子化学精度的密度泛函。
Sep, 2016
用具有扩展 Hubbard 泛函的密度泛函理论(DFT + U + V)来精确描述含有过渡金属或稀土元素的复杂材料,并基于等变神经网络的机器学习模型,通过捕捉系统的电子结构、局部化学环境和氧化态来预测 Hubbard 参数,从而加速材料的发现和设计。
Jun, 2024
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
通过深度学习方法重新参数化正交约束并采用随机梯度下降算法,对 Kohn-Sham 密度泛函理论进行优化,将计算复杂度从 O(N ^ 4)降至 O(N ^ 3),从而提高了计算效率和稳定性。
Mar, 2023
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
通过机械学习加速,我们提出了一种神经网络自洽场 (NeuralSCF) 框架,其以 Kohn-Sham 密度 (density) 映射为深度学习目标,模拟了 Kohn-Sham 方程的自洽迭代,获得电子密度并衍生其他性质,从而在电子密度预测和衍生性质上实现了最先进的准确度,并在分布外系统上具有出色的零样本泛化能力,表明从 KS-DFT 的内在机理中学习明显提高了模型的准确性和可转移性,为通过机械学习加速电子结构计算提供了有希望的基石。
Jun, 2024
本文介绍了一种基于监督学习方法的量子哈密顿矩阵预测模型,该模型利用 QM9 数据集中的分子动力学轨迹和稳定分子几何结构生成了一个准确的 QH9 量子哈密顿矩阵数据集,并设计了各种不同分子的基准测试任务,该模型可对任意分子预测哈密顿矩阵,并在分子设计和材料设计领域具有广泛的应用前景。
Jun, 2023