完整且高效的3D点配置协变体及其在学习分子量子性质中的应用

BriefGPT - AI 论文速递 · 2024-09-04T00:00:00Z

该研究提出了一个混合框架，利用深度学习在材料研究中进行哈密顿回归。该框架包括两个阶段，第一个阶段使用神经网络对对称性进行建模，得到协变特征和基线哈密顿预测。第二阶段使用非线性3D图Transformer网络进行结构建模，得到更准确的哈密顿预测。实验证实了该方法在哈密顿预测方面的性能。