BriefGPT - AI 论文速递
·
基于迁移学习的电子-核反应截面研究
内容提要
本文探讨了深度神经网络在量子化学中的应用，包括梯度下降学习网络、费米神经网络模拟电子系统和生成对抗网络模拟粒子散射。研究表明，神经网络能够提高模拟精度，优化计算成本，并在不同分子上实现高精度波函数生成。
关键要点
-
研究表明深度神经网络可以通过梯度下降学习其他网络，并证明了激活函数的存在使得网络的隐藏节点可以被学习。
-
使用深度卷积神经网络预测电子能量，模型在基态能量预测上达到化学精度。
-
提出了费米神经网络作为处理多电子系统波函数仿真的新架构，精度优于其他量子化学方法。
-
生成对抗网络技术被用于模拟电子-质子散射中的粒子产生，成功再现电子动量分布。
-
通过神经网络替代密度泛函理论中的交换-相关泛函，提高了模拟精度，能够处理新键和原子的化合物。
-
结合神经网络和Monte Carlo方法，优化计算成本，提升了对不同分子高精度波函数的生成能力。
-
KineticNet深度神经网络用于建模动能能量，获得化学准确性的模型。
-
引入机器学习方法预测硅原子在单层碳原子上的过渡动力学，展示了方法的高效性和普适性。
-
基于深度学习的变分蒙特卡洛方法被证明是一种高精度的多电子薛定谔方程近似解法。
延伸问答
深度神经网络如何提高量子化学模拟的精度？
深度神经网络通过替代密度泛函理论中的交换-相关泛函，提高了模拟精度，能够处理新键和原子的化合物。
费米神经网络的优势是什么？
费米神经网络在处理多电子系统波函数仿真时，精度优于其他量子化学方法，能够直接优化难以处理的波函数。
生成对抗网络在电子-质子散射中的应用是什么？
生成对抗网络被用于模拟电子-质子散射中的粒子产生，成功再现电子动量分布，避免了基础粒子动力学的理论假设。
如何结合神经网络和Monte Carlo方法优化计算成本？
通过引入权重共享约束，神经网络模型的95%权重可以在不同分子几何图案之间使用，从而加速优化计算成本。
KineticNet深度神经网络的功能是什么？
KineticNet用于建模动能能量，能够通过分子平面网格预测动能能量函数，达到化学准确性。
机器学习如何预测硅原子在单层碳原子上的过渡动力学？
机器学习方法利用STEM收集的数据，处理后生成符号表示，使用神经网络预测过渡概率，引导硅原子移动到目标位置。
