该研究探讨了现代密度泛函理论（DFT）在化学计算中的局限性，重点分析了基于神经网络的DM21功能在分子几何优化中的有效性。研究提出通过改善交换-关联函数的振荡行为来提升DM21的应用性，并揭示了其潜力与挑战，为新物质建模提供了解决方案。

光电设备性能依赖于材料的光学特性。传统实验技术在高通量筛选中有限，因此研究人员使用密度泛函理论（DFT）计算。日本东北大学和麻省理工学院开发了GNNOpt工具，利用人工智能从晶体结构预测光学光谱，筛选出246种太阳能材料和296种量子材料，加速材料科学研究。

本研究提出了一种新型非局域交换-相关功能EG-XC，基于等变图神经网络，旨在解决密度泛函理论中非局域功能的近似不足。该方法通过电子密度的等变核中心点云表示，有效捕捉长程相互作用，实验证明其在准确性和数据效率上优于现有模型。

该文章介绍了将深度学习与密度泛函理论相结合的新材料设计方法，通过神经网络预测材料的电子结构和性质。研究人员构建了一个包含104种固体材料的大型数据库，并成功开发了一个通用材料模型。该模型通过训练和微调能够准确预测材料的能带结构和其他性质。这种深度学习方法为创新材料发现提供了新机遇，但仍面临一些挑战。

人工智能（AI）技术在材料科学中的应用加速了新材料发现的关键过程。AI可以预测稳定结构、优化交换关联泛函、加速计算、优化参数、预测物性、校正误差、模拟大规模系统、整合实验数据、自动化工作流程、解释和可视化结果，甚至反向设计材料结构。AI与密度泛函理论（DFT）的深度融合正在改变材料科学研究的范式，但仍需高质量数据、合适算法和深刻理解基本原理的支持。

研究人员发现扩散模型可以加速电子结构计算，提高密度泛函理论的弛豫速度。该模型比经典力场更有效，对小型有机分子的能量低约10倍。

研究人员发现扩散模型可加速电子结构计算、构象弛豫和分子生成，学习位能曲面的一阶和高阶结构，提高密度泛函理论的弛豫速度。

研究人员发现扩散模型可加速电子结构计算，用于构象弛豫和玻尔兹曼分布采样。该模型对小型有机分子的能量较低，可提高密度泛函理论的弛豫速度。

该研究使用机器学习模型预测有机分子的原子化能，平均绝对误差为10 kcal/mol。模型适用性已得到证明。

该文章介绍了xxMD数据集，该数据集通过多参考波函数理论和密度泛函理论确定了能量和力，并真实地描绘了化学反应的核配置空间。研究者重新评估了在该数据集上的等变模型，发现其误差明显高于其他模型，表明构建具有外推能力的可推广NFF模型面临挑战。