PulseAugur
中
实时 08:39:17

新型MALOQ模型利用机器学习加速量子输运计算

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MALOQ，一种新颖的机器学习模型，旨在加速量子输运计算中电子结构矩阵的预测。该模型基于SO(2)-等变架构构建，能够处理从几个原子到10万个原子的系统以及大型基组。MALOQ显著缩短了计算时间，与先前方法相比，每个epoch的训练时间减少了30%以上，并能够对任意大的材料图进行推理。 AI

影响 该模型有望在材料科学和量子物理学中实现更大规模的模拟，从而可能加速科学发现。

排序理由 该集群包含一篇详细介绍新型机器学习模型及其技术规格的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型MALOQ模型利用机器学习加速量子输运计算

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Manasa Kaniselvan, Alexander Maeder, Denghui Lu, Alexandros Nikolaos Ziogas, Mathieu Luisier ·

    MALOQ：量子输运算子的大规模加速学习

    arXiv:2606.28911v1 Announce Type: new Abstract: Machine-learned (ML) operator models can be trained to predict density functional theory (DFT) Hamiltonian/density matrices at significantly reduced computational cost, thus extending electronic-structure calculations to previously …

相关实体

相关话题