Yifei Wang

机器学习预测 Kohn–Sham 哈密顿量时，只按矩阵元素误差训练会让下游电子性质误差偏大，因为从算符到电子态的映射高度各向异性。DSHam 在原有哈密顿量损失之外，同时约束预测哈密顿量解出的密度矩阵、实空间电子密度和占据轨道能量。在 ∇2DFT 基准上，电子密度与总能量误差分别比最强对比方法降低 40 倍和 500 倍，并能在训练规模两倍重原子的分子上外推。

机器学习预测 Kohn–Sham 哈密顿量时，只按矩阵元素误差训练会让下游电子性质误差偏大，因为从算符到电子态的映射高度各向异性。DSHam 在原有哈密顿量损失之外，同时约束预测哈密顿量解出的密度矩阵、实空间电子密度和占据轨道能量。在 ∇2DFT 基准上，电子密度与总能量误差分别比最强对比方法降低 40 倍和 500 倍，并能在训练规模两倍重原子的分子上外推。