Overfitting by design: neural network density functionals for water
本文表明,利用可微分的 Kohn-Sham 求解器,专门针对水体系训练基于神经网络的局域密度近似泛函,仅需少量训练数据即可实现接近金标准的精度,并能有效迁移学习至其他与水相关的体系,从而将体系特异性精度置于普适性之上。
785 篇论文
化学物理这一交叉领域探索着分子层面的物理规律,架起了化学变化与物理原理之间的桥梁。在这里,科学家通过理论模型和实验手段,深入理解原子如何结合、能量如何转化以及物质在微观尺度下的独特行为。
Gist.Science 致力于让 arXiv 上的最新研究成果触手可及。我们实时追踪并处理该分类下发布的所有预印本,为每一篇论文提供通俗易懂的科普解读与详尽的技术摘要,帮助不同背景的读者跨越专业术语的障碍,轻松把握前沿动态。
以下是该领域近期在 arXiv 上发布的最新论文精选。
本文表明,利用可微分的 Kohn-Sham 求解器,专门针对水体系训练基于神经网络的局域密度近似泛函,仅需少量训练数据即可实现接近金标准的精度,并能有效迁移学习至其他与水相关的体系,从而将体系特异性精度置于普适性之上。
本研究证明,微水化通过氢键、静电相互作用和几何畸变的复杂协同作用,系统性地稳定了胸腺嘧啶的两个最低形状共振态并延长了其寿命,同时也凸显了弥散基函数和局部溶剂化几何结构在决定共振行为中的关键作用。
本文介绍了排序组态相互作用(RCI),这是一种新颖的机器学习框架,它利用基于 Transformer 的架构,将选定组态相互作用中的行列式选择重构为成对排序问题,从而与现有的回归和分类方法相比显著加速收敛并提高精度。
本文介绍了 QT-Net,这是一种基于 SOAP 描述符的、通过原则性分布外评估协议进行验证的旋转增强图神经网络,该网络表明推断电子布居和多重矩等原子属性能够提升下游分子性质预测的准确性,并精确恢复基态偶极矩。
本研究首次通过超快泵浦 - 探测测量和广义振动电子理论,在供体 - 受体二聚体中实验验证了零点的存在,展示了态局域化和选择性电荷过滤,从而为先进光伏材料的设计原则提供了验证。
本文介绍了一种线性标度、无势能的纯数据驱动分子动力学框架(PDMD),该框架利用 ChemGNN 模型和一种新型基于高斯的描述符,在计算成本仅为传统方法一小部分的情况下,实现了对任意尺寸水团簇能量和力的从头算级精度预测,并得到了一个新的大规模从头算数据集的支持。
本研究利用宽带毫米波 - 毫米波双共振光谱技术,显著改进了环氧乙醛基态的纯转动参数并识别出 11 个新的振动激发态,最终促成了对人马座 B2(N) 区域 ALMA ReMoCA 巡天的针对性搜索,该搜索未探测到该分子,并确立了上限,表明该分子在该区域的丰度至少比环氧乙烷低六倍。
本文提出了一种知识蒸馏框架,该框架利用初始教师模型去噪后的力和能量预测来训练一个优化的粗粒度神经网络势函数,显著提高了深共晶溶剂等复杂分子流体力场的准确性和稳定性。
本文证明,自旋动力学平均场理论(spinDMFT)是一种高效且精确的方法,可用于模拟静态无序固体中的谱自旋扩散和零量子线型,并成功与那些无法进行精确蛮力计算的测试物质的实验数据相吻合。
本文通过引入一种专用的波函数初始化策略,将 Aufbau 抑制耦合簇形式推广以准确描述双激发态,该策略在计算成本与基态单双激发理论相当的情况下实现了高精度(误差约 0.15 eV),显著优于针对这些具有挑战性的电子态的标准运动方程方法。