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

本文介绍了加拿大多伦多大学的研究团队在Science Advances上发表的一项研究，他们提出了一种自适应混合泛函方法，利用量子机器学习模型动态生成最优精确交换混合比，称为自适应Perdew-Burke-Ernzerhof混合密度泛函 (aPBE0)。该方法显著提升了多个基准数据集的能量学、电子密度和HOMO-LUMO能隙的精度，并有效解决了开壳层系统中的自旋能隙问题。此外，研究还提出了修正的QM9数据集，该数据集具有更精确的量子特性。这项研究展示了机器学习在提高量子化学计算精度方面的潜力。