量子化学
加速量子化学计算，字节&北大团队量子蒙特卡罗研究新进展登Nature子刊
编辑 | 萝卜皮基于神经网络的变分蒙特卡罗（NN-VMC）已成为一种有前途、有潜力的从头计算量子化学的尖端技术。然而，现有方法的高计算成本，阻碍了它们在现实化学问题中的应用。字节跳动与北京大学团队介绍了 NN-VMC 的最新研究进展，它实现了显著的加速率，从而极大地将 NN-VMC 的适用性扩展到更大的系统。该团队的关键设计是一个名为 Forward Laplacian 的计算框架，它通过有效的前向传播（forward）过程来计算与神经网络相关的 Laplacian（这是 NN-VMC 的瓶颈）。然后，研究人员证明
实现量子化学精度，同时规避几何弛豫瓶颈，深度对比学习用于分子性质有效预测
编辑 | 紫罗数据驱动的深度学习算法可以准确预测高级量子化学分子特性。然而，它们的输入必须限制在与训练数据集相同的量子化学几何弛豫水平，从而限制了它们的灵活性。采用替代的经济有效的构象生成方法会引入域偏移（domain-shift）问题，从而降低预测精度。近日，来自韩国首尔大学的研究人员提出了一种基于深度对比学习的域适应（domain-adaptation）方法，称为局部原子环境对比学习（Local Atomic environment Contrastive Learning，LACL）。LACL 通过比较不同的
比传统量子化学计算快约40倍，机器学习揭示了如何将聚合物材料溶解在有机溶剂中
编辑 | 紫罗用有机溶剂溶解聚合物是高分子材料研究和开发中必不可少的过程，包括塑料回收、聚合物合成、精制、涂漆和涂层等。然而，预测和理解聚合物-溶剂二元系统的相平衡或相分离是聚合物化学中尚未解决的基本问题。日本统计数理研究所（The Institute of Statistical Mathematics）的研究人员利用三菱化学集团 (MCG) 的量子化学计算数据库，开发了一种新型机器学习系统，用于确定任何给定聚合物与其候选溶剂的混溶性，称为 χ 参数。该系统使科学家能够通过使用高通量量子化学计算整合计算机实验产生
- 1