FermiScope优化Kohn-Sham哈密顿量模型

2026年10月30日，arXiv平台发布名为FermiScope的新训练信号，由Fang Sun等人提出。该方法旨在解决机器学习Kohn-Sham哈密顿量模型中元素级误差无法保证本征值准确的问题，通过计算给定能量阈值下空间各点的电子数来改进学习。 新提出的累积局域态密度训练方法能够完整捕获误差并确定哈密顿量，从而避免梯度消失问题。研究团队在QH9数据集上微调了三个模型进行测试，结果显示FermiScope在降低HOMO-LUMO能隙误差的同时，并未增加元素级误差。 研究发现，这种改进效果也适用于分布外（OOD）和分子动力学（MD）分割。在这些特定场景下，波函数对齐损失的作用相对较小，但FermiScope带来的增益依然有效，表明该方法在提升模型泛化能力方面具有显著优势。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。