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
-
Periodic Labs 构建用于物理世界实验的人工智能科学家
Periodic Labs 正在通过开发能够进行物理实验的自主实验室，开创人工智能的新领域。他们的“合成超智能”愿景旨在通过允许人工智能模型从整个科学探究过程中学习，包括现实世界的实验甚至失败的结果，来加速科学发现。这种方法与传统的AI开发形成对比，后者通常仅依赖于海量现有信息数据集。
-
CNet框架通过Wirtinger导数实现复杂值深度学习
研究人员开发了CNet，一个用于训练深度复杂值神经网络（CVNN）和使用Wirtinger导数优化复杂值函数的C++/CUDA框架。该框架采用物理原生方法，将神经网络视为复杂运算的级联，并将分类视为玻恩规则测量。CNet包含其层的CPU参考和CUDA内核，计算图跨批次克隆以进行GPU执行。该框架还集成了可学习的复杂卷积网络的信号处理原语和一个具有低内存推理模式的真实Adam优化器。初步研究表明，使用CNet构建的复杂值、FNet风格的…
-
机器学习模型利用电子密度预测分子光谱，准确性更高
研究人员开发了一种机器学习模型，该模型通过使用基态电子密度作为输入，而不是分子几何结构，来更准确地预测分子吸收光谱。这种基于密度的、受理论原理启发的模型，在验证集上达到了0.9926的相关性，显著优于基于几何结构的模型（0.9795）。该研究使用了来自QM7数据集的6874个分子的数据集，并通过线性响应时间相关密度泛函理论计算了光谱。
-
新型OrbFlow模型推动量子化学电子密度预测
研究人员开发了OrbFlow，这是一种新的SE(3)-等变生成模型，旨在更高效、更准确地预测电子密度。该模型利用流匹配来预测高斯型轨道系数，克服了先前基于网格和基于基组方法的局限性。OrbFlow在QM9数据集上展示了最先进的准确性，并显著降低了MD基准测试的误差，同时还减少了自洽场迭代次数并改善了分子性质的恢复。
-
语言模型重写分子优化器以加快计算速度
研究人员开发了AutoSella，一种利用语言模型重写现有优化算法的新型分子几何优化器。这种基于代理的方法旨在降低力评估的计算成本，而力评估是量子化学工作流中的一个主要瓶颈。与之前最快的开源优化器Sella相比，AutoSella在各种分子基准测试中始终减少了力调用次数，即使在没有直接DFT梯度的密度泛函理论计算中也是如此。
-
新的GS-DFT方法优化量子力学计算的分子轨道
研究人员开发了一种名为高斯泼溅法密度泛函理论（GS-DFT）的新方法，该方法使用高斯云优化分子轨道。这种方法旨在提高化学和材料科学中量子力学计算的准确性和计算效率。该方法包括自适应密度拟合和正则化正交化组件，使其能够以比传统基组更少的参数实现高精度。GS-DFT已证明能够模拟多达2742个原子的超大体系，同时显著降低内存需求。
-
机器学习模型在磁序材料分类中达到92%的准确率
研究人员开发了机器学习分类器，能够以超过92%的准确率识别材料中的磁序。这些模型在实验数据上进行训练，并利用Materials Project数据库中的描述符，其性能优于以往的研究，并突显了Materials Project数据库中存在的铁磁性偏差。开发的分类器可用于大规模筛选磁性材料，有助于发现具有所需特性的新材料。
-
AI 和 LLM 应用于材料科学和汽车零部件 · 跟踪 2 个来源
两篇新的 arXiv 论文探讨了人工智能和大型语言模型 (LLM) 在材料科学中的应用。第一篇论文介绍了一种用于加速晶体材料发现的强大 AI 框架，重点关注使用图表示学习和扩散模型进行属性预测和结构生成。第二篇论文研究了使用 LLM 和检索增强生成 (RAG) 来预测和解释汽车零部件的合理材料，并比较了标准 LLM 与 RAG 以及验证链方法。
-
机器学习模型加速半导体缺陷分析
研究人员开发了机器学习模型，用于预测半导体（特别是 4H-SiC）的缺陷形成能和零声子线。这些模型旨在通过作为预筛步骤来加速高通量工作流程，减少对昂贵的密度泛函理论 (DFT) 计算的需求。在空位和取代缺陷系统中，这些模型在形成能和零声子线上的平均绝对误差分别为 0.437 eV 和 0.202 eV，显示出超越预筛的直接应用潜力。
-
AI平台QuantaMind以接近DFT的精度模拟分子动力学
由分子之心（Molecular Mind）开发的AI平台QuantaMind在分子动力学模拟方面取得了重大突破，相关成果已发表在《科学进展》（Science Advances）杂志上。该平台现已能够模拟具有数万个原子、时长达数十纳秒的生物系统的反应分子动力学，其精度接近密度泛函理论（DFT）。这一进步使得通过模拟质子转移和化学键变化等动态过程来理解分子功能成为可能，而这些过程在此前因计算成本过高而无法在此尺度上进行模拟。该技术有望通过…
-
AI 模型推动 3D 分子生成以用于药物发现
两篇新研究论文介绍了用于 3D 分子生成的先进 AI 模型。第一篇，Equivariant-Free Transformer-Autoencoded Latent Flow Matching (EF-TALFM)，使用固定维度的潜在表示来生成可变尺寸的分子，并在 PCQM4Mv2 等基准测试中实现了高新颖性和计算吞吐量。第二篇，NEAT-POCKET，是 NEAT 模型的扩展，可在蛋白质结合口袋内逐个原子生成分子，为 CrossDoc…
-
AI代理发现新的晶体结构定律，提高筛选效率
研究人员开发了一套由自主代理发现的八条新的无机结构合理性规则（PRIS），能够快速筛选潜在的晶体结构。这些规则编码了包括短程排斥和静电平衡在内的五个关键机制，并且在识别有效和损坏的晶体结构方面比现有的保龄规则等方法更有效。PRIS系统包含一个合成分数（PSS），可以将验证晶体结构的计算队列减少多达67.3%，同时还能提供某些结构失败的化学解释。
-
新的机器学习方法将半导体器件模拟速度提升10,000倍
研究人员开发了一种新颖的半导体器件模拟方法，将机器学习电子结构模型与量子输运求解器相结合。该新框架提供了显著的加速，比传统的密度泛函理论快10,000倍，能够模拟超过20,000个原子的器件，同时保持高精度。该方法应用于研究基于二硫化钼（MoS2）的场效应晶体管，揭示了半导体-氧化物界面处配位不足的金属原子对电子电流有关键影响。
-
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。