.png){kind=icon}
返回
Image super-resolution inspired electron density prediction
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-60095-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于霍恩伯格-科恩定理所强调的基本重要性，预测化学系统的基态电子密度最近在机器学习量子化学领域受到了越来越多的关注。受图像超分辨率领域的启发，我们将电子密度视为3D灰度图像，并使用卷积残差网络将分子密度的粗糙且简单的生成猜测转换为准确的基态量子力学密度。这里我们表明，该模型产生的预测比所有先前的密度预测方法更准确。由于其简洁性，该模型可直接应用于未见过的分子构象和化学元素。我们证明，在有限的新数据上进行微调，即使在稀有元素和电荷状态等具有挑战性的情况下也能提供高精度。
Keyword:
BASIS-SETS
ATOMS
期刊
IF:
15.7
论文数:
9.4W
被引数:
91.2W
机构
暂无机构信息
引用论文
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.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Predicting accurate ab initio DNA electron densities with equivariant neural networksBIOPHYSICAL JOURNALOAAI
BIOPHYSICAL JOURNALIF3.1
OAAI分享收藏Approaching coupled cluster accuracy with a general-purpose neural network potential through transfer learning通过迁移学习接近具有通用神经网络潜力的耦合聚类精度NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Electronic-Structure Properties from Atom-Centered Predictions of the Electron Density电子密度的原子中心预测的电子结构性质OAAI
OAAI分享收藏Deep Density: Circumventing the Kohn-Sham equations via symmetry preserving neural networks深度密度: 通过对称保持神经网络规避kohn-sham方程OAAI
OAAI分享收藏
查看更多内容