English(EN) Risk-Controlled DFT Selection for Machine-Learned Interatomic Potentials

新的共形风险控制方法优化了MLIPs的DFT选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种新颖的方法，使用共形风险控制（CRC）来优化材料发现中密度泛函理论（DFT）计算的构型选择。该方法旨在通过更有效地使用预训练的机器学习势能（MLIPs）来减少DFT的计算瓶颈。CRC框架校准了MLIP-DFT的差异分数，确保未被选择用于DFT的构型的误差保持在指定阈值以下，从而提高了自动化材料发现的效率。 AI

影响该方法可以通过减少对昂贵的DFT计算的依赖来显著加速材料发现，从而能够更快地迭代AI驱动的研究。

排序理由该集群包含一篇研究论文，详细介绍了优化材料科学计算工作流的新方法。[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 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了优化材料科学计算工作流的新方法。[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.LG TIER_1 English(EN) · Kun Ryu, Yeo Jin Jung, Shyue Ping Ong, Claire Donnat, Ying Shirley Meng · 2026-10-15 04:00

面向机器学习原子间势的风险可控DFT选择

arXiv:2610.19630v1 Announce Type: cross Abstract: Automated materials discovery requires evaluating large pools of candidate configurations, with density functional theory (DFT) as a major throughput bottleneck. Pretrained machine-learned interatomic potentials (MLIPs) approximat…

本文如何被排名

报道来源 [1]

面向机器学习原子间势的风险可控DFT选择

相关实体

相关话题