English(EN) Learning the Kohn-Sham map with neural operators for quasi-linear scaling density functional theory

神经算子学习 Kohn-Sham 映射以加速 DFT 计算

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-26 04:00

研究人员开发了一种新颖的密度泛函理论 (DFT) 方法，通过使用神经算子学习 Kohn-Sham 映射，从而绕过了计算密集型的轨道对角化步骤。该方法在大规模分子和固体数据集上进行训练，可以预测电子密度和非相互作用动能，从而实现稳定的准线性标度自洽场 (SCF) 计算。训练好的模型在泛化到分布外系统方面表现出色，并能以 Kohn-Sham DFT 的精度准确重现密度和电子光谱，从而能够在单个 GPU 上收敛包含数万个电子的系统的 SCF。 AI

影响实现更快、更具可扩展性的电子结构模拟，有望加速材料科学和药物发现。

排序理由详细介绍密度泛函理论计算新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 43 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍密度泛函理论计算新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Danish Khan, Maurice D. Hanisch, Nikolai Argatoff, Evan Xie, Sandeep Sharma, Anima Anandkumar · 2026-08-26 04:00

使用神经算子学习Kohn-Sham映射以实现准线性标度的密度泛函理论

arXiv:2608.23895v1 Announce Type: cross Abstract: Kohn--Sham density functional theory (DFT) underpins electronic-structure simulations, but repeated orbital diagonalizations lead to cubic scaling, restricting quantum calculations to modest scales only. Eliminating these auxiliar…

本文如何被排名

报道来源 [1]

使用神经算子学习Kohn-Sham映射以实现准线性标度的密度泛函理论

相关实体

相关话题