density functional theory
PulseAugur coverage of density functional theory — every cluster mentioning density functional theory across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
新的有效场论方法使KS本征值与光电子能谱数据相协调
研究人员开发了一种有效场论来解释某些金属中计算出的和测量的电子能带结构之间的差异。他们的工作表明，当通过冻结核重整化因子进行调整时，Kohn-Sham本征值可以代表准粒子能带，该因子解释了传统方法所忽略的核激发。这种方法以显著更低的成本成功解决了材料科学中长期存在的问题，并使先进的计算结果相匹配。该研究还强调了LLM辅助的agentic science在加速发现方面的潜力。