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。
本文介绍了一种用于量子化学的自适应即时多保真度机器学习算法，该算法能够自主确定不同保真度下的训练数据组成，与单保真度方法相比，数据生成成本降低高达30倍，与标准多保真度方法相比降低高达5倍。
本文介绍生成式量子启发柯尔莫哥洛夫-阿诺德本征求解器（GQKAE），一种参数高效架构，用柯尔莫哥洛夫-阿诺德模块替代传统神经网络组件，显著降低内存使用并改善量子化学模拟中的收敛性。