PulseAugur
中
实时 14:29:36
English(EN) Where the Error Lives: Spectral Representations of Learned Kohn-Sham Hamiltonians

新的训练信号改进了DFT的机器学习哈密顿量模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为累积局域态密度（cumulative LDOS）的新训练信号，以改进密度泛函理论（DFT）中使用的机器学习哈密顿量模型。该方法通过分析参考哈密顿量本征基中的预测误差来解决现有方法的局限性。通过使用FermiScope对三个哈密顿量网络进行微调，累积LDOS信号显著降低了HOMO-LUMO能隙预测的误差，即使对于分布外数据也如此，其性能优于波函数对齐损失等其他方法。 AI

影响 提高了计算化学模拟的准确性和效率，有望加速材料发现和药物设计。

排序理由 该集群包含一篇研究论文，详细介绍了改进计算物理学中机器学习模型的新方法。[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 →

新的训练信号改进了DFT的机器学习哈密顿量模型

本文如何被排名

Signal score
0 / 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，详细介绍了改进计算物理学中机器学习模型的新方法。[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
3 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Fang Sun, Hekai Cheng, Ruoyan Li, Yuanzhou Chen, Wei Wang, Jason Cong, Yizhou Sun ·

    错误何在：学习到的 Kohn-Sham 哈密顿量的谱表示

    arXiv:2610.37843v1 Announce Type: cross Abstract: Kohn-Sham density functional theory (DFT) is the standard method for computing the electronic structure of molecules and materials, but its self-consistent-field (SCF) iterations make it expensive for large systems and high-throug…

相关实体

相关话题