Pascal Friederich

激发态能量不像基态能量那样可以写成原子贡献之和，因此把多个态直接汇总输出的机器学习势，在分子变大或两个分子同时出现时会偏离。LEH-MACE 改为由每个原子的对角块和原子对之间的耦合块拼成一个对称矩阵，取其特征值作为单重激发能，使相距超过截断的两个分子的谱精确等于各自谱的并集。在约30.3万个几何、10.7万个分子的TD-DFT数据上，这种构造在远离训练分布时优势扩大，对分子对只有它保持了单分子精度。

激发态能量不像基态能量那样可以写成原子贡献之和，因此把多个态直接汇总输出的机器学习势，在分子变大或两个分子同时出现时会偏离。LEH-MACE 改为由每个原子的对角块和原子对之间的耦合块拼成一个对称矩阵，取其特征值作为单重激发能，使相距超过截断的两个分子的谱精确等于各自谱的并集。在约30.3万个几何、10.7万个分子的TD-DFT数据上，这种构造在远离训练分布时优势扩大，对分子对只有它保持了单分子精度。