事件记录历史事件
EdenGNN：通用电荷密度预测的高效等变框架
1 篇报道1 个报道来源3 天前更新
先了解这件事
报道摘要
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。
摘自 Nature Machine Intelligence · 研究
报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- Nature Machine Intelligence · 研究精选EdenGNN：通用电荷密度预测的高效等变框架
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。