IXThinker·2025-04-16 14:00

量子機器學習加持 雜化泛函預測精度提升

精確交換貢獻對電子態有顯著影響，左右共價鍵的形成與斷裂。多倫多大學O. Anatole von Lilienfeld團隊提出自適應雜化泛函方法，以量子機器學習即時優化混合比例，幾乎不增加計算開銷。

傳統近似局限

雜化密度泛函近似透過經驗性平均精確交換混合取得一定成功，但由於離域誤差，其精度仍不及高級量子化學計算。固定配比的做法，難以貼合不同電子態與化學鍵變化的實際需要。