quantum chemistry
PulseAugur coverage of quantum chemistry — every cluster mentioning quantum chemistry across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
海德堡大学研究人员因人工智能和量子化学项目获得欧洲研究理事会（ERC）高级资助
欧洲研究理事会（ERC）已向海德堡大学的研究人员授予了高级资助。这些享有盛誉的资助将用于支持跨学科项目，包括量子化学、AI和精神病学。该资金旨在支持海德堡大学（Ruprecht Karl University of Heidelberg）和中央精神卫生研究所（Central Institute of Mental Health）的开创性研究。
-
大型语言模型自动化量子电路设计，新型梯度估计器提升训练效率
研究人员开发了一个由大型语言模型驱动的系统，用于自主设计量子电路，整合了知识获取、代码生成和实验反馈。该框架已成功构建用于机器学习的量子特征映射和用于量子化学变分量子本征求解器的ansatz，在基准测试中优于经典方法。另外，还提出了一种用于参数化量子电路前向梯度估计器的新框架，与现有方法相比，显著提高了训练效率并降低了测量成本，从而能够在更大的量子神经网络上进行训练。
-
新型自适应机器学习框架大幅降低量子化学数据成本
研究人员开发了一种新的即时多保真度机器学习框架，旨在优化量子化学计算的数据生成。这种自适应方法动态地选择不同保真度级别的训练样本，优先处理低成本数据，直到模型精度最大化，然后再转向更昂贵的高保真度数据。与现有方法相比，该自适应框架显著降低了数据生成成本，在单保真度方法上实现了高达30倍的改进，在标准多保真度方法上实现了5倍的改进，为该领域更高效、更具成本意识的机器学习铺平了道路。
-
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。
-
AI代理发现新的密度泛函，准确性提高9%
一个AI代理发现了一种新的交换-关联泛函SAFS26-a，其在量子化学中的准确性比之前的标准提高了9%。另外，一个名为BALAR（用于主动推理的贝叶斯代理循环）的新算法，通过主动寻求缺失信息，增强了大型语言模型进行多轮对话的能力，从而带来了显著的准确性提升。
-
量子启发式特征求解器大幅减少参数，提升量子化学性能
研究人员开发了一种名为GQKAE的新型量子启发式特征求解器，旨在提高量子化学领域高性能计算的效率。该模型用混合量子启发式Kolmogorov-Arnold网络模块取代了传统的馈通网络，可将可训练参数和内存使用量显著减少约66%。基准测试表明，GQKAE在实现与现有GPT基方法相当的化学精度方面，同时为复杂系统提供了更优的收敛性和能量误差。
-
机器学习助力设计光激活癌症药物
研究人员开发了一种计算方法，用于设计用于癌症治疗的光敏性PARP1抑制剂。通过使用机器学习和原子模拟筛选了500万个假设的配体，他们确定了有希望的候选药物，这些药物在光照和黑暗条件下对PARP1表现出差异性结合。合成了十种化合物并进行了测试，其中一种候选药物在暴露于绿光时显示出PARP1抑制作用增加了15倍。