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

该研究介绍了一个基于普适性电子哈密顿模型的技术，该模型通过使用从材料项目的第一性原理计算获得的哈密顿矩阵进行训练，展示了在预测整个周期表中的电子结构以及复杂的多元素系统方面的广泛适应性，为计算电子性质提供了一个可靠高效的框架，并为与电子结构相关的各个领域的进展奠定了基础。

Feb, 2024

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

本研究使用机器学习方法基于数据库构建材料密度泛函理论的交换 - 相关能泛函，证明较小的数据集已可以生成复杂的泛函。

Mar, 2019

该研究介绍了一个统一的神经网络架构，Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) 模型，它结合了 Deep Equilibrium Models (DEQs) 来预测 Density Functional Theory (DFT) Hamiltonians。DEQH 模型固有地捕捉了 Hamiltonian 的自洽性质，解决了传统机器学习方法在 Hamiltonian 预测中常忽略的关键问题。在多个数据集上测试，DEQHNet 显著提高了预测准确性，除了预测器外，DEQH 模型还是一个 Hamiltonian 求解器，利用深度平衡模型的固定点求解能力迭代求解 Hamiltonian，对 DEQHNet 的消融研究进一步阐明了网络的有效性，揭示了 DEQ 集成网络在 Hamiltonian 学习中的潜力。

Jun, 2024

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

借助机器学习模型，加速了对高熵材料空间的研究，通过调整和微调预训练的模型，实现了高精度的吸附能推断，并且发现基于环境的能量过滤和少样本微调可以显著改善零样本推断。

Mar, 2024

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

基于机器学习的势场吸引着越来越多的关注，因为它们能够以量子级准确度跨越经典间原子势场的时空尺度。本研究利用密度泛函理论计算和实验测量的力学性能及晶格参数来训练钛的机器学习势能模型，证明了融合数据学习策略能够同时满足所有目标要求，从而获得比单一数据来源训练的模型更高准确性的分子模型。该方法适用于任何材料，可作为获取高度精确机器学习势能的通用策略。

Aug, 2023

本研究提出一种基于深度神经网络的正则化训练密度泛函的方法，特别关注于动能泛函，在多个测试中获得了优秀的结果，并就交换相关泛函的矛盾性质进行了机器学习的讨论。

Jun, 2023