PulseAugur
中
实时 12:02:36
English(EN) When do machine-learned exchange-correlation improvements inherit into density-functional tight binding?

用于DFTB的机器学习：泛函的可转移性分析

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文调查了机器学习的交换-关联泛函向密度泛函紧束缚（DFTB）方法的可转移性。研究表明，机器学习泛函的改进并不总是能直接转化为更好的DFTB参数化，尤其是在共价半导体方面。研究人员发现，可转移性取决于特定的材料性质和势的性质，某些性质比其他性质继承得更好。他们提出使用“转移比”作为初步测试，以预测参数化活动的成功率。 AI

影响 这项研究阐明了将机器学习改进应用于DFTB的局限性，可能指导未来更准确、更高效的材料模拟方法的开发。

排序理由 该集群包含一篇详细介绍计算材料科学新研究成果的科学论文。[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 →

用于DFTB的机器学习：泛函的可转移性分析

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Can Polat, Mustafa Kurban, Erchin Serpedin, Hasan Kurban ·

    机器学习交换-关联改进何时会继承到密度泛函紧束缚方法中？

    arXiv:2608.14875v1 Announce Type: cross Abstract: Machine-learned exchange-correlation functionals correct band gaps at near-semilocal cost, while density-functional tight binding reaches the $10^3$-$10^6$-atom regime; combining them assumes that a better parent yields a better p…

相关话题