QMugs
PulseAugur coverage of QMugs — every cluster mentioning QMugs 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。
-
新的神经网络算子加速密度泛函理论计算
研究人员开发了HamEvo，这是一种新颖的神经网络算子，旨在通过预测Kohn-Sham哈密顿量来加速密度泛函理论（DFT）计算。与现有基线相比，该方法将误差降低了35-49%，并能高精度地预测分子轨道能量。HamEvo表现出令人印象深刻的可扩展性，只需少量微调即可将其能力扩展到更大的分子，并且推理速度比传统DFT快242倍。
-
新的SAIL方法将分子模拟速度提升2倍以上
研究人员开发了一种名为求解器对齐初始化学习（SAIL）的新方法，以提高计算化学中自洽场（SCF）计算的效率。传统的机器学习方法在大分子方面存在困难，但SAIL通过区分SCF求解器来解决这个问题。该技术显著减少了收敛所需的迭代次数，在基准数据集上显示出实质性改进，并能够对大型、类药物分子进行更快的计算。