使用深度卷积神经网络预测四类二维电势约束下电子的能量，实验结果表明，模型在预测基态能量上可以达到化学精度水平，并探究了模型在预测其他物理量（如动能、第一激发态能量）表现的情况。

Feb, 2017

研究人员提出了一种基于深度学习的波函数模型——PauliNet，它使用变分量子蒙特卡洛（VMC）进行训练，并且在原子、二元分子和氢链等电子结构计算方面优于现有技术，是中型分子系统高精确度电子结构计算新的领先方法。

Sep, 2019

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

通过基于图的神经网络（Graph-based neural networks）和消息传递神经网络（message-passing neural networks，MPNNs），我们训练了一个MPNN，首先使用AFLOW数据库中的密度泛函理论数据对材料进行分类，区分金属和半导体/绝缘体。然后，我们进行了神经架构搜索，探索MPNN的模型架构和超参数空间，以预测非金属材料的能带间隙。通过搜索的最佳模型组成了一个集合，其性能明显优于现有文献中的模型。利用蒙特卡洛Dropout和集成方法对不确定性进行了评估，其中集成方法表现出更好的结果。我们还分析了集成模型的适用领域，比如晶体系统、密度泛函计算中是否包含Hubbard参数以及构成材料的原子种类。

Sep, 2023

使用机器学习增强的交换相关能量泛函，基于密度泛函理论 (DFT) 构建了一个全可微的 JAX-based DFT 计算库 Grad DFT，并通过权重化的能量密度加权和神经网络确定权重来探索机器学习如何扩展 DFT 的能力。

Sep, 2023

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

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

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

利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需DFT计算或材料结构的先验知识。

Mar, 2024

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