实体
Atom-centered symmetry functions for constructing high-dimensional neural network potentials
Atom-centered symmetry functions for constructing high-dimensional neural network potentials
PulseAugur coverage of Atom-centered symmetry functions for constructing high-dimensional neural network potentials — every cluster mentioning Atom-centered symmetry functions for constructing high-dimensional neural network potentials across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的共形风险控制方法优化了MLIPs的DFT选择
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。
-
新的MLIP方法增强了原子材料建模的可扩展性和准确性
研究人员开发了新的方法来提高材料建模的机器学习原子间势（MLIPs）的准确性和可扩展性。一种方法DPA4C-LR将长程静电力和Born有效电荷分析性地分离到全局计算中，同时保留局部MLIP特性，能够模拟多达520万个原子。另一种方法将何时使用昂贵的从头算（如DFT）与更便宜的MLIPs的决策，构建为一个使用共形风险控制框架的风险可控选择问题，旨在将MLIP误差保持在用户定义的阈值以下。