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。

Dec, 2023

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

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

运用机器学习方法逼近密度泛函，在 1D 非相互作用费米子运动能量模型中，仅需少于 100 个训练密度即可达到与测试密度相似的 1kcal /mol 以下的平均绝对误差，利用主成分分析，还可找到高精度自洽密度。文章探讨了将该方法应用于真实电子结构问题面临的挑战。

Dec, 2011

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

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

Kohn-Sham 方程是许多重要应用的基础，最近关于催化剂建模的机器学习工作主要集中在能量预测上，然而迄今为止还没有显示出显著的超出分布的泛化。在新的具有电荷密度的块状催化剂数据集上，我们研究了另一种基于 Kohn-Sham 电荷密度的逐点学习的方法。我们展示密度模型可以推广到训练时未见过元素组合的新结构，这是一种组合泛化形式。我们发现，在密度泛函理论中，超过 80% 的二元和三元测试案例的收敛速度比标准基线快，平均减少了 13% 的迭代次数，这可能具有独立的兴趣。我们的结果表明，密度学习是一种可行的替代方法，为应用提供了一种实现组合泛化的关键性质，虽然会换来更大的推理成本。

Oct, 2023

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

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