- 电荷密度预测的配方
在密度泛函理论中,电荷密度是原子系统的核心属性,可以通过它推导出所有的化学性质。机器学习方法在显著加速电荷密度预测方面具有潜力,然而现有方法要么缺乏准确性,要么缺乏可扩展性。我们提出了一个能够同时实现准确性和可扩展性的方案,其核心是使用原子 - ICMLAdsorbDiff: 条件去噪扩散下的吸附剂定位
使用去噪扩散法确定广泛应用中新颖催化剂的最佳吸附剂结构配置,通过预训练机器学习力场优化扩散预测的吸附剂结构,在密度泛函理论的评估下取得了比之前最佳方法提高了 5 倍或 3.5 倍的加速度和准确性改进。
- 基于多准则贝叶斯优化与表示学习的自适应催化剂发现
通过高通量计算催化剂筛选方法,在高维度催化剂结构中实现自动化表征学习并具备原则性不确定性量化,探索二氧化碳还原反应的催化剂发现,实现了高预测准确性、可解释的特征提取以及多准则设计优化,大幅降低计算资源和时间成本(需要的密度泛函理论计算减少 - 利用机器学习从材料属性估计电子能带带隙能量
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 - 材料的通用机器学习 Kohn-Sham 哈密顿
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 - 通过反向传播优化密度泛函理论降低量子化学数据成本
密度泛函理论准确预测分子的量子化学性质,但其计算规模与电子数量的立方成正比。Sch"utt 等人成功地通过神经网络以 1000 倍的速度近似 DFT。在扩展到更大分子时,最大的问题是 DFT 标记的成本。我们的方法在 31 小时内实现了可比 - 材料中电荷密度预测的高阶等变神经网络
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。
- 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 - 直接空气捕集中的吸附剂发现挑战和 2023 年开放数据集
新方法去除二氧化碳,直接空气捕获是一种新兴技术,金属有机框架被广泛研究作为可定制的吸附剂,利用机器学习的计算方法通过密度泛函理论计算的数据集提供重要基准,帮助鉴定二氧化碳捕获的有希望特性的金属有机框架。
- 数据驱动的晶体结构预测的潜在保守目标模型
在本文中,我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型,并对其参数进行优化的方法,提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化,我们展示了该方法在结构预测成功率方面与最佳现有方法相当,并大 - 基于深度扩散语言模型的无机化合物生成设计
基于深度学习的生成模型和密度泛函理论,我们通过学习和利用显式和隐式化学知识,提出了一种材料组成和结构设计的方法。通过深度扩散语言模型生成组合,并应用基于模板的晶体结构预测算法预测相应的结构,然后使用基于通用图神经网络的势函数进行结构弛豫。通 - Grad DFT:机器学习增强的密度泛函理论软件库
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。
- 优化架构的消息传递神经网络用于带隙回归
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 - xxMD:利用超越平衡态的扩展动力学方法对神经力场进行基准测试
我们引入了非绝热动力学推导的 xxMD(Extended Excited-state Molecular Dynamics)数据集,该数据集包含了通过多参考波函数理论和密度泛函理论确定的能量和力,并且其核配置空间真实地描绘了化学反应,使得 - 准确的机器学习力场通过实验和模拟数据融合
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 - 用变分原理规范机器学习密度泛函:非相互作用动能泛函
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。
- Open Catalyst 2020(OC20)数据集与社区挑战
本论文介绍了使用机器学习方法和密度泛函理论来发现和优化催化剂并提供一个开放资源数据集 OC20
- 利用深度神经网络加速有限温度 Kohn-Sham 密度泛函理论
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。
- ASGN: 一种活跃的半监督图神经网络用于分子属性预测
本文提出了一种名为主动半监督图神经网络(ASGN)的新型框架,通过半监督学习来整合带标签和未标记的分子,采用学生 - 教师框架进行分子表示和属性预测,以及使用活动学习策略优化数据选择以提高预测性能,为解决化学空间中半监督表示学习困难而提供了 - GEOM:用能量注释的分子构象进行性质预测和分子生成
使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象,这将有助于从构象集合中预测分子性质并进行生成模型的开发。