DM-PhiSNet: Modello Equivariante Accelera i Workflow SCF del 49–81%
Una nuova rete neurale equivariante, DM-PhiSNet, predice matrici di densità ridotte a un elettrone (1-RDM) a partire da geometrie molecolari per accelerare i calcoli di campo autoconsistente (SCF). Il modello utilizza un programma di addestramento a due fasi con obiettivi fisicamente motivati, seguito da un blocco di raffinamento analitico leggero che impone la conservazione del numero di elettroni e l'idempotenza. Testato su sei sistemi a guscio chiuso (H₂O, CH₄, NH₃, HF, etanolo, NO₃⁻), le 1-RDM raffinate riducono i passi di iterazione SCF del 49–81% rispetto alle inizializzazioni standard. L'approccio consente anche previsioni accurate delle proprietà in un unico passaggio senza la convergenza completa dell'SCF.
Fatti principali
- DM-PhiSNet è un modello equivariante basato su PhiSNet per predire le 1-RDM.
- L'addestramento utilizza un programma a due fasi con obiettivi fisicamente motivati.
- Un blocco di raffinamento analitico impone la conservazione del numero di elettroni e l'idempotenza generalizzata.
- Testato su sei sistemi a guscio chiuso: H₂O, CH₄, NH₃, HF, etanolo, NO₃⁻.
- Le 1-RDM raffinate riducono i passi di iterazione SCF del 49–81%.
- Consente previsioni accurate delle proprietà in un unico passaggio senza la convergenza completa dell'SCF.
- Pubblicato su arXiv con ID 2604.27256.
- Il modello opera in una base di orbitali atomici (AO).
Entità
Istituzioni
- arXiv