标签
一种使用傅里叶神经算子变体的新型人工智能模型，使密度泛函理论能够近乎线性地随系统规模扩展，从而允许在单个GPU上高效模拟大型量子系统，例如具有8万电子的镁位错。
MALOQ 引入了一种大规模加速的机器学习模型，用于预测密度泛函理论的哈密顿矩阵/密度矩阵，利用 SO(2) 等变骨干网络和可扩展的图分布，支持对多达10万个原子的系统进行电子结构计算，在 Alps 超级计算机上实现了超过30%的每轮训练时间减少。
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。
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。