Kohn-Sham Density Functional Theory with Complex, Spin-Restricted Orbitals: Accessing a New Class of Densities without the Symmetry Dilemma
PulseAugur coverage of Kohn-Sham Density Functional Theory with Complex, Spin-Restricted Orbitals: Accessing a New Class of Densities without the Symmetry Dilemma — every cluster mentioning Kohn-Sham Density Functional Theory with Complex, Spin-Restricted Orbitals: Accessing a New Class of Densities without the Symmetry Dilemma across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的物理对齐方法提高了MLIP的泛化能力
研究人员开发了新的方法，即正交归一损失（OrthoNormal-Loss, ON-Loss）和格拉斯曼受限占据轨道训练（Grassmann Restricted Occupied-Orbital Training, GROOT），以提高机器学习原子间势（MLIPs）的泛化能力。这些技术通过强制执行物理约束，使学习目标与Kohn-Sham密度泛函理论（KS-DFT）保持一致。在实验中，这些方法显著降低了能量和力的平均绝对误差，优于先前最…
-
新的机器学习模型通过物理对齐训练提高了电子基态预测能力
研究人员开发了新的机器学习模型用于电子基态预测，其泛化能力显著优于现有方法。通过结合源自Kohn-Sham密度泛函理论（KS-DFT）的物理约束，并引入正交归一化损失（ON-Loss）和格拉斯曼受限占据轨道训练（GROOT）等新颖训练技术，这些模型在能量和力预测的误差率方面取得了实质性降低。新方法在从较小数据集外推到较大数据集方面显示出有效性，并有望应用于反应化学。
-
新AI模型AIDEN加速材料科学计算
研究人员开发了AIDEN（原子相互作用密度等变网络），一个旨在解决实空间电荷密度问题的深度学习模型。该模型将依赖于元素的密度与环境影响分离开来，并使用连续高斯解码器进行重构。AIDEN在晶体基准测试中展现了最先进的准确性，并对分布外系统表现出零样本迁移能力，其推理速度比传统的自洽场计算更快。