电子在物质中的排列，被称为电子结构，在基础研究和应用研究中起着至关重要的作用，如药物设计和能量储存。然而，长期以来，缺乏在不同时间和长度尺度上提供高保真度和可扩展性的模拟技术一直是这些技术进步的障碍。
来自德国Görlitz的Helmholtz-Zentrum dresden - rosendorf (HZDR)的高级系统理解中心(CASUS)和美国新墨西哥州阿尔伯克基的桑迪亚国家实验室的研究人员现在开创了一种基于机器学习的模拟方法，取代了传统的电子结构模拟技术。
他们的材料学习算法(MALA)软件堆栈可以访问以前无法实现的长度尺度。这项研究发表在《npj计算材料》杂志上。
电子是具有基本重要性的基本粒子。它们彼此之间以及与原子核之间的量子力学相互作用产生了化学和材料科学中观察到的许多现象。理解和控制物质的电子结构，有助于深入了解分子的反应性、行星内部的结构和能量传输，以及物质失效的机制。
科学挑战越来越多地通过计算建模和仿真来解决，利用高性能计算的能力。然而，实现具有量子精度的现实模拟的一个重大障碍是缺乏一种将高精度与跨不同长度和时间尺度的可扩展性相结合的预测建模技术。
经典的原子模拟方法可以处理大型复杂系统，但对量子电子结构的忽略限制了其适用性。相反，不依赖于经验建模和参数拟合(第一性原理方法)等假设的模拟方法提供了高保真度，但计算要求很高。例如，密度泛函理论(DFT)是一种广泛使用的第一性原理方法，它表现出系统大小的三次标度，从而限制了它在小尺度上的预测能力。
混合方法基于深度学习
本文来自作者[冬易]投稿，不代表79哈立场，如若转载，请注明出处：https://www.79ha.com/zlan/202508-5173.html
评论列表（4条）
我是79哈的签约作者“冬易”！
希望本篇文章《机器学习在大规模电子结构计算中的应用，助力材料建模》能对你有所帮助！
本站[79哈]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：电子在物质中的排列，被称为电子结构，在基础研究和应用研究中起着至关重要的作用，如药物设计和能量储存。然而，长期以来，缺乏在不同时间和长度尺度上提供高保真度和可扩展性的模...