实体
Machine-learned exchange-correlation functionals
Machine-learned exchange-correlation functionals
PulseAugur coverage of Machine-learned exchange-correlation functionals — every cluster mentioning Machine-learned exchange-correlation functionals across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
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。
-
新AI方法提高化学泛函预测的准确性
研究人员开发了一种名为导数信息XC-Loss (DI-Loss) 的新方法，以提高计算化学中机器学习交换-关联泛函的准确性。该技术结合了能量的一阶和二阶导数信息，从而显著降低了能量误差并加快了自洽场迭代。改进后的泛函在预测下游计算中的激发态方面也表现出更好的性能。