density functional theory
PulseAugur coverage of density functional theory — every cluster mentioning density functional theory across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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…
-
AdsMind系统利用AI代理加速催化剂发现
研究人员开发了AdsMind，一个新颖的多代理系统，旨在加速异质催化剂表面吸附构型的发现。该闭环框架集成了机器学习力场（MLFFs）和大型语言模型（LLMs），实现了自主纠错并提高了搜索可靠性。与启发式方法相比，AdsMind显著减少了所需的MLFF弛豫次数，实现了高成功率，并提供了比开放式LLM代理更准确的结果，从而支持更高效的自主化学工作流程。
-
新方法从AI势中提取静电学
研究人员开发了一种名为潜伏Ewald求和（LES）的方法，用于从基础机器学习原子间势（MLIPs）中提取静电学性质。该技术能够创建更有效的MLIPs，模拟长程相互作用和电响应，这对于许多化学和材料科学模拟至关重要。该研究对源自各种基础MLIPs的LES提炼模型进行了基准测试，证明了它们预测红外光谱和Born有效电荷张量的能力。
-
新框架提升AI驱动材料发现的可靠性
研究人员开发了InvDesMobility，一个旨在提高闭环材料发现的可靠性和可审计性的新框架。该系统集成了自动密度泛函理论（DFT）计算、证据分层和生成模型，以确保用于学习的反馈得到充分验证。该框架已被证明能够有效地筛选大量结构并保留可靠数据用于训练，从而使逆向设计过程更加稳健和透明。
-
新的神经网络算子加速密度泛函理论计算
研究人员开发了HamEvo，这是一种新颖的神经网络算子，旨在通过预测Kohn-Sham哈密顿量来加速密度泛函理论（DFT）计算。与现有基线相比，该方法将误差降低了35-49%，并能高精度地预测分子轨道能量。HamEvo表现出令人印象深刻的可扩展性，只需少量微调即可将其能力扩展到更大的分子，并且推理速度比传统DFT快242倍。
-
新基准测试揭示AI模型在晶体稳定性方面存在困难
研究人员推出了PhononBench，一个旨在评估AI生成晶体材料动力学稳定性的新基准测试。该基准测试利用MatterSim原子间势进行高效的声子计算，能够分析超过133,000个晶体结构。研究结果表明，当前的生成模型在动力学稳定性方面存在困难，生成结构的平均稳定性率仅为32.15%，这凸显了AI驱动材料发现的一个重大局限性。
-
新的变换学习方法取得最先进的成果
研究人员开发了一种新颖的双稀疏显式条件变换学习方法，旨在改进数据压缩、降噪和特征提取。该方法结合了固定的规范矩阵和数据自适应稀疏分量，以创建可控、可适应的变换。新算法受非精确近端方法启发，在其特定的学习问题上展示了最先进的结果，并以降低的计算成本提供了与密集变体相当的性能。
-
AI模型加速电子结构计算
研究人员开发了一种新颖的大型电子模型（LEM），能够预测跨越广泛哈密顿参数的相互作用电子的基态波函数。该模型利用费米集（Fermi Sets）架构，展示了高达50个粒子的泛化能力，能够准确预测超出传统密度泛函理论极限的电荷密度和能量。与此同时，另一个项目LimitX正在使用一个数据驱动的框架加速大规模电子结构计算。该方法侧重于通过在广泛的二聚体蛋白质数据集上训练机器学习模型来预测光谱性质，旨在优化百亿亿次计算的特征求解器性能。
-
AI模型DGLD发现高性能新型高能材料
研究人员开发了领域门控潜在扩散模型（DGLD），这是一种用于发现高能材料的新型AI方法。DGLD通过在训练期间使用标签质量门控和在采样期间使用多任务引导来解决标记数据有限的挑战。该方法已成功识别出12种新化合物，并通过第一性原理DFT计算得到证实，其中包括两种具有高性能指标的重点候选材料。
-
新AI框架自动化复杂材料科学计算
研究人员开发了AutoDFT，一个新颖的闭环多智能体框架，旨在自动化材料科学中的密度泛函理论（DFT）计算。与仅进行前期规划的先前基于LLM的智能体不同，AutoDFT将LLM推理整合到整个DFT过程中，从初始规划到实时参数生成和从故障中自适应恢复。该系统在一个新的基准测试上展示了高成功率，并产生可靠的性质预测，使用户无需深厚的计算专业知识即可执行第一性原理计算。
-
新的MLIP方法使用轨道电荷提高准确性
研究人员开发了一种新的机器学习原子间势（MLIP）训练方法，该方法显著提高了样本效率和准确性。通过引入半经验轨道电荷，该模型实现了46%的能量平均绝对误差降低，并且比传统的仅能量模型需要少五倍的数据。这种方法在训练过程中使用计算成本低廉的轨道电荷，可以在不牺牲推理效率的情况下开发用于复杂化学系统的准确基础模型。
-
Meta FAIR 发布大型无机材料数据集和人工智能模型
Meta FAIR 发布了 Open Materials 2024 (OMat24) 数据集，该数据集包含超过 1.1 亿个无机材料的密度泛函理论计算。此次发布还包括配套的预训练 EquiformerV2 模型，这些模型在 Matbench Discovery 排行榜上取得了最先进的性能。这些模型能够高精度地预测基态稳定性和形成能，旨在加速人工智能驱动的材料发现。
-
深度学习框架大幅降低毫米波MIMO系统的导频开销
研究人员开发了一种名为多块注意力（MBA）的新型深度学习框架，用于改进智能反射面（IRS）辅助的毫米波MIMO系统中的信道估计。该框架通过将传统最小二乘估计器的导频开销降低高达87%，显著减少了精确信道估计所需的导频开销。MBA方法还展示了归一化均方误差的显著降低，在10 dB信噪比下，其误差比现有领先方法低约51%，同时保持了较低的计算复杂度。
-
SemiConLens视觉分析工具助力2D半导体发现
研究人员开发了SemiConLens，一个旨在帮助发现新型二维（2D）半导体材料的视觉分析系统。该方法结合了人类专业知识和机器学习，以克服当前方法中数据集有限和可靠性问题等挑战。SemiConLens利用一种新颖的插补技术和可视化视图，使材料研究人员能够交互式地探索和比较潜在的半导体候选材料，并考虑预测的不确定性。
-
新理论将谱估计与群论统一，应用于人工智能领域
研究人员引入了一个名为代数多样性（Algebraic Diversity）的新框架，该框架利用群论谱估计来分析单次观测数据。该方法推广了时间平均，并证明处理增益是群阶的属性，而非传感器数量的属性。该框架统一了DFT、DCT和KLT等各种信号处理技术，并在大规模MIMO、图信号处理和Transformer LLM分析等领域具有潜在应用。
-
AI将亚历山大数据库扩展了130万个新的稳定化合物
研究人员开发了一种新的计算材料发现多阶段工作流程，在识别稳定化合物方面取得了99%的成功率。该过程利用Matra-Genoa生成模型、Orb-v2势和ALIGNN图神经网络生成了超过1.19亿个候选结构。该工作流程成功地将130万个经过DFT验证的化合物添加到ALEXANDRIA数据库，其中包括74,000种新的稳定材料，使其扩展到580万个结构。
-
AI代理XDFT以78%的准确率诊断DFT实验带隙失配
研究人员开发了XDFT，这是一个自演化代理，旨在自动诊断理论密度泛函理论（DFT）预测与材料带隙实验结果之间的失配。该代理识别导致差异的特定非理想因素，如磁有序或缺陷。在对124种材料的测试中，XDFT成功解决了78%的失配案例，显著优于随机基线和静态LLM。
-
New benchmark RealMat-BaG assesses AI bandgap prediction for semiconductors
研究人员开发了一个名为 RealMat-BaG 的新基准，用于评估机器学习模型预测半导体带隙的可靠性。目前在计算数据上训练的模型由于数据保真度和域泛化问题，往往无法推广到实验测量。该基准包含一个开放的实验带隙数据集，并评估了各种机器学习模型，揭示了它们预测真实半导体性能能力的重大局限性。