density functional theory
PulseAugur coverage of density functional theory — every cluster mentioning density functional theory across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
神经算子学习 Kohn-Sham 映射以加速 DFT 计算
研究人员开发了一种新颖的密度泛函理论 (DFT) 方法，通过使用神经算子学习 Kohn-Sham 映射，从而绕过了计算密集型的轨道对角化步骤。该方法在大规模分子和固体数据集上进行训练，可以预测电子密度和非相互作用动能，从而实现稳定的准线性标度自洽场 (SCF) 计算。训练好的模型在泛化到分布外系统方面表现出色，并能以 Kohn-Sham DFT 的精度准确重现密度和电子光谱，从而能够在单个 GPU 上收敛包含数万个电子的系统的 SCF。
-
新AI模型通过新颖的训练和个性化来解决写作质量问题
一款名为Deft的新AI模型，由Justin Murphy和AI研究员Rosmine联合创立，旨在解决AI写作质量停滞不前的问题。Deft的方法，称为“分布微调”（DFT），侧重于匹配文本批次中人类写作的统计分布，而不仅仅是单个响应的质量。此外，一位名为Hyphoscypha的开发者创建了一个开源工具，该工具可以从用户自己的数据中学习用户的写作风格，从而重写AI生成的草稿，在模型生成文本后确定性地强制执行特定的风格规则。
-
新型AI模型以耦合簇精度预测分子性质
研究人员开发了MEHnet-MG，一种等变网络，旨在以显著降低的计算成本预测具有耦合簇精度的分子电子结构性质。该模型在一个包含九种主族元素的新数据集上进行训练，可以从一次廉价的B3LYP/def2-SVP计算中推导出能量、光学带隙和偶极矩等各种性质。与传统的密度泛函理论方法相比，MEHnet-MG的误差显著降低，并且能够准确地外插到更大的分子系统，这是基于池化的架构无法实现的。
-
新AI模型BDIP-Net预测双层材料性质
研究人员开发了BDIP-Net，一种用于预测堆叠双层材料性质的新型图神经网络。该框架利用MatterSim-D3工作流程进行高效的结构生成，以降低的计算成本模拟了密度泛函理论（DFT）的准确性。BDIP-Net专门模拟层内和层间相互作用，在BiDB、HetDB和SAMBA等数据集上表现优于现有方法。
-
新的DREAMS框架增强了对AI驱动材料模拟的信任
研究人员开发了DREAMS，一个使用密度泛函理论（DFT）的智能体材料模拟新框架。该系统包含一个多层安全防护机制，以确保大型语言模型（LLM）智能体的数值输出值得信赖。DREAMS对每一步进行确定性检查和范围限定的LLM判断，并追踪数据来源，在晶格常数和吸附能的基准测试中取得了高精度。
-
新框架改进了静电相互作用的MLIP
研究人员开发了一个新的机器学习原子间势（MLIP）框架，该框架能更好地处理静电效应。该框架将现有模型视为密度泛函理论（DFT）的粗粒化近似，阐明了学习量的假设和物理意义。研究团队使用MACE架构在此设计空间内实现了并比较了各种模型，并在金属-水界面和二氧化硅中的带电空位上评估了它们的性能。他们的发现表明，当前的MLIP存在局限性，需要更具表现力的自洽模型来解决模拟具有显著静电相互作用的系统中的失败问题。
-
New ontology standardizes machine learning interatomic potentials
研究人员开发了一种新的本体，即 MLIPs 本体，用于标准化机器学习原子间势（MLIPs）的描述。这个 OWL 2 DL 本体旨在通过捕获与 MLIP 方法、其超参数、具有 DFT 出处的训练数据集以及基准测试相关的概念来解决该领域分散的元数据问题。该本体结构分为三个模块：方法、训练数据和基准测试，并与材料科学和机器学习中的现有本体集成。
-
新AI框架加速催化剂设计以实现目标性能
研究人员开发了一个名为催化剂扩散变换器（CatDiT）的新框架，用于设计多相催化剂。该模型通过学习压缩的潜在表示，可以生成新颖且有效的催化剂结构，包括金属间合金和氧化物表面。CatDiT支持对吸附质类型、结合能和催化剂类别等多种属性进行同步条件设置，从而能够更高效、更有针对性地发现特定反应的催化剂。在氮还原反应的应用中，CatDiT识别了28个有前景的合金候选物，证明了其在推进材料科学方面的实际效用。
-
Flash EQ-Linear 利用傅里叶变换加速等变神经网络
研究人员开发了 Flash EQ-Linear，这是一种旨在显著加速神经网络中等变线性层的新型算法。通过利用傅里叶卷积定理和实数离散傅里叶变换的共轭对称性，该方法降低了计算复杂度。已为前向和后向传播实现了专用的 CUDA 内核，与现有的等变和非等变基线相比，在算子级别实现了高达 2 倍的加速，在 Flash EQ-ViT 和 Flash EQ-Swin 等网络上实现了高达 1.7 倍的端到端加速。
-
新AI系统从光谱数据中解析有机结构
研究人员开发了一种新的假设精炼范式，用于从光谱数据确定有机分子结构。该方法将光谱证据与大规模分子先验知识相结合，解决了欠定逆问题。该系统利用名为QM9SPIN的数据集处理NMR信号，并引入SpectroMol进行光谱到结构的建模，辅以MS-Mol2Mol进行质量约束的分子生成。该集成系统在模拟基准测试中实现了高精度，并证明了其对实验数据的适应性。
-
OLEDLM：用于OLED分子设计的新型语言模型
研究人员开发了OLEDLM，一个专门为有机发光二极管（OLED）分子设计而设计的创新语言模型。该模型利用LLaMA风格的Transformer架构作为基础化学语言模型，然后使用基于BERT的属性预测器和强化学习进行微调。该框架旨在通过密度泛函理论验证，高效生成具有所需光电特性的OLED SMILES序列。
-
图神经网络加速石墨烯量子点催化剂设计
研究人员开发了一个新颖的框架，利用图神经网络（GNNs）显著加速了过渡金属在石墨烯量子点（GQDs）上的吸附探索。这个基于GNN的模型，名为GQD-AdsNet，在密度泛函理论（DFT）计算的数据上进行了训练，并取得了高精度（$R^2$为0.906，MAE为0.101 eV）。与传统的DFT方法相比，该框架将计算成本降低了约六个数量级，为筛选和设计基于碳纳米结构的新型催化剂提供了一个高效的工具。
-
机器学习有望彻底改变量子化学研究
一份新的观点论文认为，机器学习是推动量子化学发展的最有希望的方向。该论文提出，像密度泛函理论和波函数方法这样的传统方法在解决复杂的量子多体问题方面正达到极限。机器学习方法被认为是一种更有效的策略，即使在解析解难以获得的情况下也能取得成功，因此值得在该领域获得战略优先地位。
-
DeepCormack算法加速材料费米面研究
研究人员开发了DeepCormack，一套新颖的数据驱动算法，旨在改进材料费米面研究的三维双光子动量密度（TPMD）重建。该方法将CNN、MLP和U-Net等深度学习模型与Cormack方法和奇异值分解等传统技术相结合。通过利用密度泛函理论计算生成的合成训练数据，DeepCormack显著提高了重建质量，并将数据采集所需时间从数月缩短到数周。
-
新的LLPR方法用更少的标签提高了MLFF的精度 · 已追踪2个来源
研究人员开发了一种名为“最后一层投影回归”（LLPR）的新型主动学习工作流程，以提高机器学习力场（MLFF）的训练和微调效率。LLPR充当一种成本效益高的不确定性估计器，能够识别训练集中至关重要的数据点。与随机选择相比，该方法能够以显著更少的标签实现MLFF的全数据精度，这对于基础模型的微调尤其有利。LLPR还有助于检测非物理数据并自动终止学习循环，从而为材料和生物系统带来更准确的模型。
-
新的ML势能TWIN模型以从头计算精度模拟生物分子系统
研究人员开发了可转移水隐式网络（TWIN），这是一种用于模拟水环境中生物分子系统的新型机器学习势能。与依赖经验力场数据的先前模型不同，TWIN仅使用等变图神经网络在从头计算和实验标签上进行训练。这种方法使TWIN能够实现与密度泛函理论（DFT）相当的精度，同时速度快两个数量级，使其适用于模拟复杂的生物系统。
-
TWIN机器学习模型以从头计算精度加速生物分子模拟
研究人员开发了可转移水隐式网络（TWIN），这是一种新颖的机器学习原子间势能（MLP），可显著加速生物分子系统的原子尺度建模。与以往依赖经验数据且精度有限的隐式溶剂MLP不同，TWIN仅使用从头计算和实验标签，并采用等变图神经网络进行训练。这种方法使TWIN能够达到与基于DFT的显式溶剂模型相当的精度，但评估时间却快了两个数量级，使其适用于大规模生物分子模拟。
-
EquiFiLM 增强了用于电子态变化的 AI 力场
研究人员开发了 EquiFiLM，这是基础机器学习力场 (MLFF) 的一种新颖扩展，能够处理外部诱导的电子态变化。该方法使用轻量级的、每层的逐特征线性调制 (FiLM) 块来连续条件化 MLFF，使其能够从关于充电或外加场等效应的最小训练数据中学习。当应用于使用 MACE-MatPES 主干的带电液态水时，与没有 EquiFiLM 的基线相比，所得的 E-MACE 模型在力学和能量均方根误差方面显示出显著降低，同时保持了无法区分的推理成本。
-
新框架加速酶催化神经网络训练
研究人员开发了Enerzyme，这是一个旨在提高酶催化研究中神经网络势（NNP）训练效率的新框架。该框架通过引入静电感知NNP架构和自动化数据集生成，解决了量子力学模型的计算需求。Enerzyme代码已证明能够用相对较少的数据点准确重现大型酶簇的反应能量学和过渡态结构，有望加速酶学中的机理研究。
-
新研究探讨AI推理蒸馏方法的权重空间几何
一篇新研究论文分析了用于将推理能力蒸馏到更小AI模型中的各种离线强化学习方法的权重更新的几何特性。该研究使用Qwen3-4B基础模型，在相同的数学相关数据上训练了六种不同的方法——SFT、RFT、DFT、RIFT、Offline GRPO和DPO。分析显示，虽然SFT、RFT和RIFT产生了相似的权重差值和准确率，但DFT显著不同。Offline GRPO引入了一个正交分量，而DPO占据了一个独特的子空间，在GSM8K和AIME26基…