BriefGPT.xyz
Ask
alpha
关键词
atomization energies
搜索结果 - 2
使用全可微密度泛函理论从自然界学习交换相关泛函
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
→
PDF
3 years ago
利用机器学习快速准确地建模分子原子化能
我们引入了一个机器学习模型来预测有机分子的原子化能,基于核电荷和原子位置。该回归模型是通过将求解分子 Schr"odinger 方程的问题映射为复杂度较低的非线性统计回归问题。我们使用杂化密度泛函理论计算的原子化能进行回归模型的训练和比较。
→
PDF
13 years ago
Prev
Next