AIを活用した密度汎関数理論によるスケール間の橋渡し
Research Paper#Computational Physics, Machine Learning, Density Functional Theory🔬 Research|分析: 2026年1月3日 16:58•
公開: 2025年12月29日 20:09
•1分で読める
•ArXiv分析
本論文は、機械学習を組み込むことで古典的な密度汎関数理論（cDFT）の精度を向上させる新しいアプローチを提示しています。著者は、分子動力学データに対して訓練されたニューラルネットワーク補正を用いてcDFTを拡張する、物理学に基づいた学習フレームワークを使用しています。この方法は、熱力学的な整合性を維持しながら、欠落している相関を捉え、スケールを超えた界面熱力学の予測を改善します。その重要性は、シミュレーションの精度を向上させ、分子スケールと連続体スケールの間のギャップを埋める可能性にあり、これは計算科学における主要な課題です。
引用・出典
原文を見る"The resulting augmented excess free-energy functional quantitatively reproduces equilibrium density profiles, coexistence curves, and surface tensions across a broad temperature range, and accurately predicts contact angles and droplet shapes far beyond the training regime."