Гарвард представил ML-модель для точного прогноза энергетических уровней

Ученые Гарварда разработали инновационный метод машинного обучения на базе гауссовских процессов для повышения точности функционалов плотности.

Новый подход нацелен на улучшение прогнозирования энергетических щелей и энергий реакций молекул.

Модель CIDER24X интегрирует нелокальные особенности матрицы плотности, используя теорему Янака и концепцию разрывности производной.

Созданы две версии: CIDER24X-e (с данными об уровнях энергии) и CIDER24X-ne (без них).

Метод демонстрирует улучшенную точность для молекулярных энергий и HOMO-LUMO щели, приближаясь к точности гибридной теории функционала плотности при меньших вычислительных затратах.

Теперь учёные смогут точнее предсказывать свойства молекул, не разоряясь на суперкомпьютеры. 🧪💻

paper

#HarvardUniversity #MachineLearning #QuantumChemistry
-------
@tsingular