DFT
麻省理工Nature子刊:AI加速量子化学计算,精度媲美「金标准」,计算效率提升百万倍!
编辑 | 2049在量子化学计算中,精确预测分子电子结构一直是一个重要而富有挑战性的课题。 传统的密度泛函理论(DFT)方法虽然计算速度快,但精度有限;而高精度的耦合簇(CCSD(T))方法虽然被视为「金标准」,但其计算成本随分子大小呈指数级增长,难以应用于复杂体系。 最近,麻省理工学院的研究团队开发出一种创新的多任务学习方法,成功将机器学习与量子化学计算相结合,实现了接近CCSD(T)精度的分子电子结构预测。
1/10/2025 2:15:00 PM
ScienceAI
快多个数量级,清华更高精度、更泛化的深度学习电子结构计算方法登Nature子刊
编辑 | KX两年前,清华大学物理系徐勇、段文晖研究组开发出高效精确的第一性原理电子结构深度学习方法 DeePH,可极大加速电子结构计算。近日,该团队开发了一种准确而有效的实空间重构方法(real-space reconstruction),将 DeepH 方法从原先仅支持原子基组推广至适用于平面波基组,使得 DeepH 方法可与所有密度泛函理论(DFT)程序兼容。而且,该重构方法比传统的基于投影的方法快几个数量级。这给深度学习电子结构计算方法带来了更高的精度和更好的泛化能力,并打通了其利用电子结构大数据作深度学习
10/10/2024 12:09:00 PM
ScienceAI
- 1
资讯热榜
标签云
人工智能
AI
OpenAI
AIGC
模型
ChatGPT
DeepSeek
AI绘画
谷歌
数据
机器人
大模型
Midjourney
用户
智能
开源
微软
Meta
GPT
学习
图像
技术
Gemini
AI创作
马斯克
论文
Anthropic
代码
英伟达
算法
Stable Diffusion
芯片
智能体
训练
开发者
生成式
腾讯
蛋白质
苹果
AI新词
神经网络
3D
研究
生成
Claude
LLM
机器学习
计算
Sora
AI设计
GPU
AI for Science
AI视频
人形机器人
xAI
华为
百度
搜索
大语言模型
场景
Agent
字节跳动
预测
深度学习
伟达
工具
Transformer
大型语言模型
视觉
RAG
神器推荐
具身智能
模态
Copilot
亚马逊
LLaMA
文本
AGI
算力
驾驶