Kohn–Sham equations
PulseAugur coverage of Kohn–Sham equations — every cluster mentioning Kohn–Sham equations across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
用于DFTB的机器学习：泛函的可转移性分析
一篇新的研究论文调查了机器学习的交换-关联泛函向密度泛函紧束缚（DFTB）方法的可转移性。研究表明，机器学习泛函的改进并不总是能直接转化为更好的DFTB参数化，尤其是在共价半导体方面。研究人员发现，可转移性取决于特定的材料性质和势的性质，某些性质比其他性质继承得更好。他们提出使用“转移比”作为初步测试，以预测参数化活动的成功率。
-
AI研究揭示低维度解释材料数据中的冗余
研究人员在材料科学机器学习中使用的电子结构数据集内发现了显著的冗余。他们发现底层数据具有低内在维度，这意味着大部分信息是重复的。这表明数据集大小可以大大减小，可能减小几个数量级，而不会损害预测准确性或化学准确性，从而加快训练时间。
-
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。