Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

经典流体的元密度功能理论:提取对潜力

Stefanie M Kampa1, Florian Sammüller1, Matthias Schmidt1

  • 1Universität Bayreuth, Theoretische Physik II, Physikalisches Institut, D-95447 Bayreuth, Germany.

Physical review letters
|March 28, 2025
PubMed
概括

我们开发了一种机器学习模型,使用密度函数理论来预测流体特性. 这种方法准确地从结构数据中确定对潜力,有助于软物质设计.

相关实验视频

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Hybrids of Benzenesulfonamide Oxadiazole Derivatives with Dual CA II and COX-2 Inhibitory Activity Demonstrating Antiglaucoma and Anti-inflammatory Action: Synthesis, In Silico Insights, and In Vitro and In Vivo Bioevaluation.

Journal of medicinal chemistry·2026
Same author

Engineering an Extremely Hybrid PKS for Adipic Acid Production.

ACS synthetic biology·2026
Same author

Metadensity Functional Learning for Classical Fluids: Regularizing with Pair Correlations.

The journal of physical chemistry. B·2026
Same author

Dual FLT3/MAPK14 Proteolysis-Targeting Chimera (PROTAC) Induces Potent Acute Myeloid Leukemia Cell Death.

Pharmaceuticals (Basel, Switzerland)·2026
Same author

Dual Modality and Site-differentiated Sentinel Node Mapping in Vulvar Cancer.

Anticancer research·2026
Same author

Correction: The necessity of multi-parameter normalization in cyanobacterial research: A case study of the PsbU in Synechocystis sp. PCC 6803 using CRISPRi.

The Journal of biological chemistry·2026

科学领域:

  • 计算物理学的计算物理.
  • 统计力学就是统计力学.
  • 机器学习 机器学习

背景情况:

  • 在古典密度函数理论中,多余的自由能量函数是至关重要的,但通常是未知的.
  • 这个函数的近似值仅在特定情况下是可靠的.
  • 模拟液体和软物质需要精确的函数.

研究的目的:

  • 开发一种机器学习方案,用于通用的超密度函数.
  • 为了能够准确地预测不均的流体使用任意对潜力.
  • 提供一种用于逆转结构数据以获得对潜力的方法.

主要方法:

  • 训练神经网络作为一个超密度函数.
  • 使用自动分化和神经功能微积分.
  • 将该方法应用于一维流体.

主要成果:

  • 机器学习方法为不均状态提供了准确的预测.
  • 该方法可以直接访问对分布函数.
  • 训练有素的神经网络作为切断对潜力的通用功能.

结论:

  • 本文介绍了一种新的机器学习方案,用于密度函数理论.
  • 该方法解决了液体物理学和软物质设计中的一个基本挑战.
  • 它提供了一个强大的工具,用于从结构数据中确定对潜力.