在过去的十年中,机器学习在逼近密度泛函方面取得了重大进展,但这是否标志着人类设计泛函的终结还有待观察。Ryan Pederson, Bhupalee Kalita和Kieron Burke讨论了机器学习在功能设计中的兴起。
这是订阅内容的预览,通过你所在的机构访问
访问选项
订阅《自然》+
立即在线访问《自然》和其他55种《自然》杂志
29.99美元
每月
订阅期刊
获得1年的完整期刊访问权限
99.00美元
每期只要8.25美元
所有价格均为净价格。
增值税稍后将在结帐时添加。
税务计算将在结账时完成。
买条
在ReadCube上获得时间限制或全文访问。
32.00美元
所有价格均为净价格。
参考文献
道格拉斯先生,机器学习作为理论科学的工具。Nat. Rev. Phys。4, 145-146(2022)。
奥斯汀,B.等人。Nersc-10工作量分析(2018年数据)(·东,2020);https://portal.nersc.gov/project/m888/nersc10/workload/N10_Workload_Analysis.latest.pdf.
Cohen, a.j, Mori-Sánchez, P. & Yang, W.密度泛函理论的挑战。化学。牧师。112, 289-320(2012)。
斯奈德,J. C.等。用机器学习找到密度泛函。理论物理。启。108, 253002(2012)。
Brockherde, F.等人。用机器学习绕过科恩-沙姆方程。Commun Nat。8, 872(2017)。
Nagai, R., Akashi, R. & Sugino, O.通过机器学习分子中的隐藏信息来完成密度泛函理论。npj第一版。板牙。6, 43(2020)。
李,L.等。Kohn-Sham方程作为正则化器:将先验知识构建到机器学习的物理学中。理论物理。启。126, 036401(2021)。
柯克帕特里克,J.等人。通过解决分数电子问题,推动了密度泛函的前沿。科学374, 1385-1389(2021)。
克鲁兹,F. G.林,k . c .。来自维里定理的交换相关能量密度。期刊。化学。一个102, 4911(1998)。
人工智能“看到”分裂的电子。科学374, 1322-1323(2021)。
确认
DOE DE-SC0008696 (R.P.)和NSF CHE-2154371 (b.k., K.B.)支持的工作。
作者信息
作者及隶属关系
相应的作者
道德声明
相互竞争的利益
作者声明没有利益竞争。
权利和权限
关于本文
引用本文
佩德森,R.,卡利塔,B. &伯克,K.机器学习和密度泛函理论。Nat Rev Phys4, 357-358(2022)。https://doi.org/10.1038/s42254-022-00470-2
发表:
发行日期:
DOI:https://doi.org/10.1038/s42254-022-00470-2