English(EN) Derivative Informed Learning of Exchange-Correlation Functionals

新AI方法提高化学泛函预测的准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员开发了一种名为导数信息XC-Loss (DI-Loss) 的新方法，以提高计算化学中机器学习交换-关联泛函的准确性。该技术结合了能量的一阶和二阶导数信息，从而显著降低了能量误差并加快了自洽场迭代。改进后的泛函在预测下游计算中的激发态方面也表现出更好的性能。 AI

影响提高了计算化学模拟中使用的AI模型的准确性和效率。

排序理由该集群包含一篇研究论文，详细介绍了一种改进计算化学中机器学习泛函的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Eike S. Eberhard, Luca A. Thiede, Abdul Aldossary, Andreas Burger, Nicholas Gao, Vignesh Bhethanabotla, Al\'an Aspuru-Guzik, Stephan G\"unnemann · 2026-06-04 04:00

Derivative Informed Learning of Exchange-Correlation Functionals

arXiv:2606.04279v1 Announce Type: new Abstract: Machine-learned (ML) exchange-correlation (XC) functionals aim to replace human-designed density functional approximations by learning directly from reference data, but they still do not consistently outperform traditional $\mathcal…