Derivative Informed Learning of Exchange-Correlation Functionals
Dit artikel introduceert de Derivative Informed XC-Loss (DI-Loss), een trainingsstrategie voor op machine learning gebaseerde uitwisselings-correlatiefunctionalen die eerste en tweede afgeleiden van de energie van referentie-hybride functionalen incorporeert om de nauwkeurigheid van de totale energie aanzienlijk te verbeteren, de convergentie van het zelfconsistent veld te versnellen en voorspellingen van aangeslagen toestanden in TDDFT te verbeteren.