研究人员开发了DenSNet，一种用于电子结构计算的新型机器学习方法，可预测基态电子密度。该方法利用SE(3)-等变神经网络和$\Delta$-学习策略，可在分子动力学模拟中获取除能量和力之外的电子可观测量。该方法已在各种分子上得到验证，显示出模拟轨迹的精确红外光谱，并证明了预测更大分子系统性质的可扩展性。 AI
影响 能够在大规模分子模拟中预测电子可观测量，可能加速材料科学的发现。
排序理由 详细介绍一种用于电子结构计算的新机器学习方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2604.24563v1 Announce Type: cross Abstract: Machine-learning interatomic potentials (MLIPs) have enabled molecular dynamics at near ab initio accuracy, yet remain limited to energies and forces by construction, leaving electronic observables such as dipole moments and polar…
Machine-learning interatomic potentials (MLIPs) have enabled molecular dynamics at near ab initio accuracy, yet remain limited to energies and forces by construction, leaving electronic observables such as dipole moments and polarizabilities inaccessible. We introduce DenSNet, a …