跳到主要内容
检索

# 密度泛函理论

14 篇关联报道

订阅更新
  1. arXiv

    MACE基础模型补上钠团簇:定向微调把硬碳钠团簇形成能误差从32.43降到1.65 meV/atom

    预训练的MACE原子基础模型能描述钠在类石墨结构中的嵌入,却把石墨烯上钠原子间的金属性吸引算成排斥,因而漏掉硬碳中钠团簇与孔隙填充。研究者用1985个钠团簇构型加300个膨胀石墨与钠参考态构型做定向微调,使钠团簇数据上的形成能平均绝对误差从32.43降到1.65 meV/atom,R²从-36.32升到0.87。在更广的钠碳构型库上微调后,模型对未参与训练的钠填充碳纳米管仍给出2.03 meV/atom的形成能误差,并据此给出闭孔半径与平台电压的对应关系。

  2. arXiv

    EviDTB给DFT哈密顿量预测配上不确定性:剔除最不确定的15%结构,误差99百分位从16.63降到3.72 eV²

    通用DFT哈密顿量模型能快速从原子结构给出电子性质,但预测本身不带可靠性信息。EviDTB把证据深度回归接到DeePTB的SLEM骨干上,只学收敛哈密顿量与初始密度参考哈密顿量之间的残差,并在一次前向传播中给出每个原子的不确定性分数。在5,478个留出结构上,剔除最不确定的15%结构后,平均局部平方预测误差的99百分位从16.63降到3.72 eV²;在636个生成结构上不重训评估时,该分数与平均局部平方预测误差的Spearman相关系数为0.743。

  3. PBE与r2SCAN能量差不再靠经验校正:图神经网络把形成能误差压到14.3 meV/atom

    不同泛函算出的形成能长期无法直接合并,MatPES中同一结构在PBE与r2SCAN下的平均差达107 meV/atom。研究者用38万余条结构配对的PBE–r2SCAN数据训练图神经网络,直接预测两种泛函之间的能量残差,把PBE形成能校正到r2SCAN能标。以GPTFF为骨干的模型在留出测试集上平均绝对误差为14.3 meV/atom,低于CHGNet的18.2 meV/atom。

  4. Nanoscale

    硫化氢在耐火氧化物上如何停留:基础模型先筛构型,DFT 光谱复现实验谱带次序

    硫化氢在纳米尺度耐火氧化物表面是物理吸附还是解离,此前难以穷举构型空间。研究把无偏自动吸附采样与现成原子间基础模型结合,先由 MACE 的 MPA 模型筛出候选极小值,再逐一对候选做 PBE-D2*(N) 与 HSE06 的 DFT 精修,并用 DFT 计算的多构型红外谱与 150 K 原位红外谱对照。计算谱复现了 H–S 伸缩峰在三类材料上的红移次序:二氧化硅 2603 cm⁻¹、镁橄榄石 2588 cm⁻¹、MgO 2504 cm⁻¹。

  5. arXiv

    分子搜索不再固定邻域:TRACE按成败伸缩搜索范围,80次DFT评估把FePc抗溶出能提高到2.59 eV

    开放式分子设计中,候选按需生成,搜索范围此前多由预设的相似度或候选数固定。TRACE把化学搜索的“远近”和“宽窄”显式化为Tanimoto相似度阈值与候选数预算,并用成功/失败控制器同步伸缩两者,由固定的fragprint高斯过程挑选评估对象。在六个PMO目标、统一1000次评估预算下,TRACE的top-1 AUC平均排名为1.73、top-10 AUC平均排名为1.27;在FePc衍生物的闭环DFT优化中,80次设计候选评估把计算得到的抗Fe溶出能由0.42 eV提高到2.59 eV。

  6. researchsquare.com

    Kohn–Sham 哈密顿量学习补上状态监督:∇2DFT 上总能量误差降为最强基线的五百分之一

    机器学习预测 Kohn–Sham 哈密顿量时,只按矩阵元素误差训练会让下游电子性质误差偏大,因为从算符到电子态的映射高度各向异性。DSHam 在原有哈密顿量损失之外,同时约束预测哈密顿量解出的密度矩阵、实空间电子密度和占据轨道能量。在 ∇2DFT 基准上,电子密度与总能量误差分别比最强对比方法降低 40 倍和 500 倍,并能在训练规模两倍重原子的分子上外推。

  7. arXiv

    电子密度不必再迭代求解:单步Kohn-Sham即可复现自洽电子结构

    密度泛函理论的核心变量是电子密度,而求得它通常要反复迭代到自洽。SwinUNETR-V2与无注意力版本NeXtUNETR这两类受Transformer启发的网络直接预测电子密度,在QM9上密度归一化平均绝对误差分别为0.075%和0.046%。对NeXtUNETR,用预测密度做一次Kohn-Sham步骤即可复现自洽电子结构,总能量中位误差0.036 meV、力0.65 meV/angstrom、HOMO-LUMO能隙1.8 meV。

  8. 金属导电率筛选扩到280万种化合物:机器学习先排序,电子-声子计算再复核

    金属导电率的计算一向昂贵,难以覆盖庞大化学空间。这套流程先用两个机器学习代理量——BoltzTraP2在恒定弛豫时间近似下给出的电导率,以及Eliashberg电子-声子耦合常数λ——经符号回归拟合为σSR=0.4σBT/λ,对约280万种有序化合物排序,再对候选做完整电子-声子输运计算。Be2IrPt、H3NaNi、LuIr和LiBePt2的室温电导率落在约34至38×106 S/m,与铝的36.59×106 S/m相当,但仍低于Ag、Au、Cu。

  9. arXiv

    平面波DFT也能训哈密顿量:换用投影度筛选本征态,钠的五相误差压到1–3 meV

    把平面波DFT的哈密顿量转成原子轨道形式时,改用投影度筛选本征态来补全子空间,不再依赖经验平移;在钠的五种高压相上,每原子13个轨道函数的误差为1–3 meV,而实空间重建用23个函数仍为12–28 meV。

  10. arXiv

    基态电子密度作为机器学习输入比分子几何更准确地预测分子吸收光谱

    该工作从QM7数据集中选取6874个分子,用DFT计算基态电子密度、用线性响应TDDFT计算吸收光谱,比较以三维电子密度为输入的3D卷积神经网络与以原子几何为输入的图神经网络(SchNet、DimeNet++、MACE)在预测归一化吸收光谱上的表现,发现密度CNN的验证相关系数达0.9926,优于最佳几何图模型的0.9795,并将残余去相关降低约三分之二。