自洽验证机器学习电子结构

Feb, 2024

Self-consistent Validation for Machine Learning Electronic Structure

Gengyuan Hu, Gengchen Wei, Zekun Lou, Philip H.S. Torr, Wanli Ouyang...

TL;DR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。

Abstract

machine learning has emerged as a significant approach to efficiently tackle electronic structure problems. Despite its potential, there is less guarantee for the model to generalize to unseen data that hinders i

machine learning electronic structure problems generalization self-consistent field methods active learning

发现论文，激发创造

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

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

自洽训练用于哈密顿预测

利用自洽原理提出的一种准确的训练方法，可以在没有标记数据的情况下训练哈密顿预测模型，从而解决了数据稀缺性困难，并且在数据稀缺和分布外情况下表现出更好的泛化能力和效率。

Mar, 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

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

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

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

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

机器学习力场

本文总结了机器学习在计算化学中的应用，包括基于机器学习的力场构建、相关的统计关系和挑战，并提供了从零开始构建和测试它们的逐步指南。

Oct, 2020

可解释的集成学习在材料性质预测中的应用：以碳为例

我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

Jul, 2023