.png){kind=icon}
返回
Incorporating Scientific Knowledge into Neural Network Density Functionals
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.jctc.6c00270.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
密度泛函理论（DFT）是现代反应和材料建模的核心工具。尽管精确的泛函形式仍未知，但已构建了许多近似方法，这些方法或通过手工设计满足精确约束的泛函形式，或通过机器学习实现。本研究展示了如何融合这两种方法以构建既准确又稳健的密度泛函：我们训练了一个神经网络，以在物理上合理的Perdew–Burke–Ernzerhof（PBE）泛函形式中，对参数进行满足精确约束且由局域密度引导的精细调节。所得泛函在热化学任务中将其父泛函PBE的误差降低了近30%，达到了现代元广义梯度近似（mGGA）的精度，并在电子密度上表现出良好的准确性。我们证明，去除PBE形式或违反精确约束会显著降低泛函性能并恶化电子密度。本研究表明，将机器学习的优势与基础物理原理相结合，能够基于数据和知识构建更准确可靠的DFT泛函。
Keyword:
Chemical calculations
Density functional theory
Electron density
Neural networks
期刊
IF:
5.5
论文数:
1.1W
被引数:
5.4W
机构
引用论文
暂无论文信息