标签
这篇ICML 2026论文介绍了Derivative Informed XC-Loss（DI-Loss），这是一种用于机器学习交换关联泛函的训练方法，它在密度矩阵的格拉斯曼流形上引入了一阶和二阶导数监督。在四种架构上，与仅使用能量和密度监督相比，DI-Loss将总能量平均绝对误差（MAE）降低了66%，并改善了TDDFT计算中的激发态预测。
SITA（可扩展推理时间退火）引入了一种方法，通过沿温度阶梯使用基于能量的替代似然重新训练基于流的模型，高效采样分子玻尔兹曼分布，避免了昂贵的散度计算。该方法在丙氨酸二肽和三肽基准测试中达到了最先进的性能。
本文介绍了 ARMOR，这是一个用于预测化学反应可行性的智能体框架，通过自适应地优先使用并解决多个 AI 工具之间的冲突来实现预测。在公共数据集上，该框架展示了优于单一工具和聚合方法的性能。
本文提出了一种基于大语言模型的代理系统，用于自动化发现密度泛函理论中的交换相关泛函。该系统在性能上超越了人工设计的基线，同时也凸显了基准过拟合带来的挑战。
来自罗维拉-威尔吉利大学的研究人员在《自然-机器智能》上发表论文，介绍了CoCoGraph，这是一种利用约束离散扩散过程生成化学有效的新型分子的AI工具。
微软研究院发布 Skala——一种用于 DFT 的深度学习交换关联泛函，在 GMTKN55 主流化学基准上达到 2.8 kcal/mol 精度，成本仅为半局域泛函水平，全面超越传统泛函。