AI从平衡数据中学习可转移的3D密度泛函

研究人员开发了一种直接从平衡密度场中学习可转移的三维经典密度泛函的方法。该方法保留了空间对称性和变分一致性，并且在训练时不需要自由能或化学势标签。所学的泛函在不同温度、系统大小和统计系综之间表现出可转移性，能够准确地重现结构因子、状态方程和液-气共存，而无需对这些性质进行显式训练。该方法应用于复杂的3D几何形状，预测了胶体相互作用中的非单调力以及Gyroid孔隙内的吸附等现象，展示了其将微观液体结构与宏观热力学行为联系起来的能力。 AI

影响 能够实现材料科学和凝聚态物理学中更准确、更高效的模拟。

排序理由 学术论文，详细介绍了一种新的科学模型学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Classical density functional theory methods in soft and hard matter
• colloid
• equation of state
• equilibrium density fields
• gyroid pore
• Hugging Face
• liquid--vapor coexistence
• thermodynamics

• 论文
• 模型发布

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