Nature Machine Intelligence · 研究· Xiwen Li· 机构原始发布·精选
EdenGNN：通用电荷密度预测的高效等变框架
原文标题
Efficient equivariant framework for universal charge density prediction
AI 导读
研究提出EdenGNN模型，可同时预测电荷密度和增强占据数，实现投影增强波精度下的电子结构计算。通过基展开公式和Δ学习策略，计算速度提高一个数量级以上。基于Materials Project数据库训练的EdenGNN-Uni模型，能准确预测周期表中大多数未见材料的能带结构，展现出比通用ML哈密顿方法更强的鲁棒性。
来源：Nature Machine Intelligence · 研究 · nature.com
导读与选稿说明
EdenGNN模型实现了电荷密度预测的显著加速，并首次实现了跨周期表元素的通用电荷密度预测，为大规模电子结构计算和高通量筛选提供了可扩展的从头算方法。
导读由模型辅助整理，非独立核验。完整信息见原文。