研究进展：机器学习-自适应混合密度泛函-量子化学 | Science Advances

近日，加拿大多伦多大学（University of Toronto）Danish Khan，O. Anatole von Lilienfeld等，在Science Advances上发文，提出了自适应混合泛函，利用数据高效的量子机器学习模型，以可忽略开销，动态生成了最优精确交换混合比。

自适应Perdew-Burke-Ernzerhof混合密度泛函 (aPBE0)，提升了 QM9, QM7b和GMTKN55基准数据集的能量学、电子密度和HOMO-LUMO能隙。

基于模型不确定性的约束，将该方法平滑地减少到外推机制中PBE0，确保了有限训练的普遍适用性。通过调节不同自旋态的HF交换分数，APBE0有效地解决了开壳层系统（如卡宾）中的自旋能隙问题。

还提出了修正QM9 (revQM9)数据集，该数据集，具有更精确的量子特性，包括更强的共价结合、更大的带隙、更局域化的电子密度和更大的偶极矩。

Adapting hybrid density functionals with machine learning.

基于机器学习，自适应混合密度泛函。