.png){kind=icon}
返回
Deep-learning electronic structure calculations
.png){kind=icon}
PRE
AI
DOI：10.1038/s43588-025-00932-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
第一性原理电子结构计算已深刻推动物理学、化学和材料科学的研究，但其进一步发展仍受限于精度-效率困境。本文重点介绍了解决这一挑战的深度学习方法论最新突破，包括用于精确研究关联电子的深度学习量子蒙特卡洛方法，以及用于高效大规模材料模拟的深度学习密度泛函理论。这些进展将第一性原理计算的应用范围扩展至前所未有的尺度和复杂性，增强了量子力学在科学发现中的影响力。本文探讨了深度学习在第一性原理电子结构计算中的集成，解决了传统算法的精度-效率困境，并将第一性原理方法扩展至前所未有的尺度和复杂性。
Keyword:
deep learning
first-principles calculations
electronic structure
quantum Monte Carlo
density functional theory
期刊
IF:
18.3
论文数:
3.1K
被引数:
4.0K
机构
引用论文
Ab initio calculation of real solids via neural network ansatz通过神经网络ansatz从头计算实际固体.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Towards the ground state of molecules via diffusion Monte Carlo on neural networksNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Unsupervised representation learning of Kohn-Sham states and consequences for downstream predictions of many-body effectsNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏
查看更多内容