Hartree–Fock method
PulseAugur coverage of Hartree–Fock method — every cluster mentioning Hartree–Fock method across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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。
-
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。
-
新方法解决了 NP-hard 的大规模数据集多样性选择问题
研究人员开发了一种名为 Spectral DPPs via NEPv 的新方法，以解决从大型数据集中选择多样化、高质量子集这一 NP-hard 问题。该方法将 Determinantal MAP 目标重塑为 Stiefel 流形上的连续优化问题，从而得到一个具有特征向量依赖性的非线性特征值问题 (NEPv)。提出的求解器 OurMethod 提供了一种可扩展的解决方案，可与常见的机器学习核集成，并且在候选池大小上接近线性扩展。
-
MōLe-Λ：AI模型加速量子化学计算
研究人员开发了MōLe-Λ，一种新颖的机器学习模型，旨在更有效地预测量子化学性质。该模型扩展了现有的MōLe框架，以学习耦合簇（CC）响应态的右侧（T）和左侧（Λ）幅度。通过从局部分子轨道联合学习这些幅度，MōLe-Λ可以准确预测能量、力、偶极矩、四极矩、极化率和电子密度，与传统的CCSD计算相比具有显著的速度优势。
-
Excited Pfaffians: New Neural Network Architecture for Quantum States
研究人员开发了一种名为 Excited Pfaffians 的新型神经网络架构，旨在更有效地表示多个量子态。与传统方法相比，这种方法显著降低了计算成本，能够实现更快的训练和对更多状态的建模。该架构已成功应用于二聚碳和铍原子等复杂系统，这在这些领域的神经网络应用中尚属首次。