.png){kind=icon}
返回
Machine Learned Fock Matrix
.png){kind=icon}
PRE
AI
DOI：10.1021/jacsau.5c01200.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究引入了一种基于积分的自洽场机器学习方法，称为miSCF，旨在高效预测分子电子结构。通过整合原子信息和几何特征中的详细信息来预测分子Fock矩阵，该方法增强了相似系统间的数据共享，并促进了化学相似系统内的有效数据迁移。这实现了仅用少量训练数据即可精确预测系统各种电子性质，显著降低了计算成本同时保持高精度。在代表性小分子（如H2和H2O链以及冰结构）上的测试结果表明，miSCF在预测能量、波函数和电子密度方面表现出良好性能，展现出高精度、高效率及良好的迁移性。因此，miSCF方法为量子化学计算提供了一种高效工具，为构建势能面、从头算分子动力学及化学反应模拟等进一步应用奠定了坚实基础。
Keyword:
machine learning integral
self-consistent field method
electronic structures
Fock matrix
期刊
IF:
8.7
论文数:
2.3K
被引数:
8.0K
机构
引用论文
分享收藏Representing high-dimensional potential-energy surfaces for reactions at surfaces by neural networks
PREAI
分享收藏Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation用于有效从头算电子结构计算的深度学习密度泛函理论哈密顿量
OAAI
OAAI分享收藏Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality物理激励的递归嵌入式原子神经网络: 结合局部完整性和非局部性
OAAI
OAAI分享收藏Pushing the frontiers of density functionals by solving the fractional electron problem通过解决分数电子问题来推动密度泛函的前沿.png)
Science
ScienceIF0
PREAI
分享收藏
查看更多内容