量子化学密度矩阵重规范化组方法通过机器学习增强
Pavlo Golub1, Chao Yang2, Vojtěch Vlček3,4
1J. Heyrovsky Institute of Physical Chemistry, v.v.i., Czech Academy of Sciences, Prague, 18223, Czech Republic.
机器学习 (ML) 增强了量子化学密度矩阵重规范化组 (DMRG) 的计算. 一个简单的ML模型显著提高了强相关量子系统的DMRG的准确性和性能.
科学领域:
- 量子化学 是一个量子化学.
- 计算物理 计算物理
- 机器学习 机器学习
背景情况:
- 密度矩阵重规范化组 (DMRG) 是研究强相关量子系统的关键方法.
- 在理论计算中实现高精度通常需要大量的计算资源.
- 机器学习 (ML) 为改进计算方法提供了一个有前途的途径.
研究的目的:
- 研究ML与DMRG方法的整合.
- 提高量子化学计算的准确性和效率.
- 为了证明一个简单的ML模型在改善DMRG性能方面的潜力.
主要方法:
- 一个简单的机器学习模型的应用.
- 改进了低级理论计算的精细化.
- 使用密度矩阵重规范化组 (DMRG) 方法.
主要成果:
- 量子化学DMRG方法的性能显著提高.
- 证明了ML在提高理论计算准确性的潜力.
- ML与强大的量子系统模拟技术的成功集成.
结论:
- 机器学习可以有效地增强像DMRG这样的既定计算方法.
- 拟议的 Δ-ML 方法为更准确,更有效的量子系统研究提供了一条途径.
- 这项工作突显了人工智能和量子力学在科学研究中的日益增长的协同作用.
更多相关视频
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
06:41Author Spotlight: Optimizing Cryo-EM Analysis with CryoSieve for Enhanced Particle Selection Efficiency
Published on: May 10, 2024
相关概念视频
Predicting Molecular Geometry
The Quantum-Mechanical Model of an Atom
2D NMR: Heteronuclear Single-Quantum Correlation Spectroscopy (HSQC)
Radicals: Electronic Structure and Geometry
Accordingly, the structure of a trivalent radical lies between the geometries of carbocations and carbanions. An sp2-hybridized carbocation is trigonal planar, while an sp3-hybridized carbanion is trigonal pyramidal. Here, the difference in geometry is...
Molecular Geometry and Dipole Moments
π Electron Effects on Chemical Shift: Overview
