Ученые из Гарварда представляют метод машинного обучения на основе гауссовых процессов для анализа энергетических уровней одиночных частиц.

 Harvard Researchers Introduce a Machine Learning Approach based on Gaussian Processes that Fits Single-Particle Energy Levels

“`html

Высокоточные прогнозы энергетических зазоров и реакционных энергий с помощью метода машинного обучения на основе гауссовских процессов

Проблема:

Одной из основных проблем в полудиапазонной функциональной теории плотности (DFT) является недооценка ширины запрещенной зоны, в основном из-за ошибок самовзаимодействия и делиокализации. Это затрудняет прогнозирование электронных свойств и механизмов переноса заряда.

Решение:

Использование методов машинного обучения для улучшения точности DFT, особенно для энергий молекулярных реакций и сильно коррелированных систем. Эксплицитное подгонка энергетических зазоров, как продемонстрировано функционалом DM21, может улучшить прогнозы DFT, устраняя ошибки самовзаимодействия.

Практическое применение:

Исследователи из Harvard SEAS разработали метод машинного обучения с использованием гауссовских процессов для улучшения точности функционалов плотности при прогнозировании энергетических зазоров и реакционных энергий. Их модель интегрирует нелокальные особенности матрицы плотности для точного прогнозирования молекулярных энергетических зазоров и оценки энергий образования поляронов в твердых телах. Это развитие основано на фреймворке CIDER, известном своей эффективностью и масштабируемостью при работе с большими системами. Модель в настоящее время ориентирована на обменную энергию, но обещает более широкое применение, включая прогнозирование электронных свойств, таких как ширина запрещенной зоны.

Заключение:

Исследование представляет фреймворк для подгонки функционалов плотности к общей энергии и энергетическим уровням одночастичных частиц с использованием машинного обучения, опираясь на теорему Янака. Введены новые особенности SDMX для изучения функции обмена без полного оператора обмена. Модель CIDER24X-e сохраняет точность в молекулярных энергиях, значительно улучшая прогнозы энергетических зазоров и соответствуя результатам гибридной DFT. Фреймворк расширяем на полные функционалы XC и другие модели машинного обучения, предлагая потенциал для эффективного и точного прогнозирования электронных свойств различных систем.

Посмотреть статью можно по ссылке. Вся заслуга за это исследование принадлежит его авторам. Также, не забудьте подписаться на наш Twitter и присоединиться к нашему Telegram-каналу и группе в LinkedIn. Если вам понравилась наша работа, вам понравится и наш новостной бюллетень.

Не забудьте присоединиться к нашему 50k+ ML SubReddit.

Вот высоко рекомендуемый вебинар от нашего спонсора: “Построение производительных приложений ИИ с использованием NVIDIA NIMs и Haystack”.

“`

Полезные ссылки: