基于人工智能的密度泛函理论，连接微观与宏观尺度
Research Paper#Computational Physics, Machine Learning, Density Functional Theory🔬 Research|分析: 2026年1月3日 16:58•
发布: 2025年12月29日 20:09
•1分で読める
•ArXiv分析
本文提出了一种新方法，通过结合机器学习来提高经典密度泛函理论 (cDFT) 的准确性。作者使用一个基于物理学的学习框架，通过针对分子动力学数据训练的神经网络校正来增强 cDFT。这种方法在保持热力学一致性的同时，捕捉缺失的相关性，从而改进了跨尺度的界面热力学预测。其意义在于，它有可能提高模拟的准确性，并弥合分子尺度和连续体尺度之间的差距，这是计算科学中的一个关键挑战。
引用 / 来源
查看原文"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."