Newest papers

Stationarity Constraints Improve Both Energies and Densities of Machine-Learned Exchange-Correlation Functionals

Yuhao Chen, Donald G. Truhlar, Xiao He · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30022 · cited by 0 works (OpenAlex) · open-access PDF

Arabic

تظهر أن وظائف التبادل التفاعلية مجهزة على الأقمار الصناعية ثابتة ولكن تستخدم باستمرار، لذلك فإن الطاقة الأفضل غالبا ما تأتي مع ضغوط أسوأ. نشير إلى أن بقايا Brillouin من وظائف تدريبية على الأقمار الصناعية Kohn-Sham تسيطر على ضغط دقيق، في الخطوة الأولى، على التغير في ضغط الذهن الذاتي والانقسامات بين الطاقات المتواضعة والمتواضعة الذاتية. إلغاء ذلك لا يتطلب حلول سكنية متواضعة أثناء التدريب. تدريب على 6 الطاقات و11 ضغط CCSD، يغطي meta-GGA العصبي SCAN في كل من الطاقات الذرية والضغط الذرية من الأقمار الصناعية.

Machine translation (Meta M2M100); the English original follows.

Abstract

Empirical exchange-correlation functionals are fitted on fixed orbitals but used self-consistently, so better energies often come with worse densities. We show that the Brillouin residual of a trained functional on the Kohn-Sham orbitals of an accurate density controls, to first order, both the self-consistent density shift and the gap between fitted and self-consistent energies. Penalizing it requires no self-consistent-field solution during training. Trained on 6 energies and 11 CCSD densities, a neural meta-GGA surpasses SCAN in both atomization energies and densities of unseen molecules.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Residual, Atomic orbital, Hybrid functional, Physics, Brillouin zone, Density functional theory

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange