Skoltech材料技术中心的研究人员提供了神经网络驱动方法的概念证明演示，用于创建精确的交换相关函数插值，这是密度泛函理论的核心组成部分。DFT又是凝聚态物理和量子化学中用于计算化合物反应性、分子的带状结构、材料的耐用性和其他对寻找新材料、药物等至关重要的性质的主要数值方法。在科学报告中提出并分析了有前景的神经网络体系结构。

如多电子Schr所述枚在丁格方程中，物质中电子的运动决定了电子结构的性质。例如，化学键是所有化学的核心概念，是由量子力学定律控制的电子的复杂关联运动。

多电子Schr的问题枚dinger方程是一种相对容易表述的方程，但尚未找到解析解，数值解非常复杂且具有挑战性。这里，主要方法之一是介质场（密度）方法，该方法根据有效势描述电子的复杂相互作用。

“密度泛函理论通过使用以特定局部密度为特征的电子云概念，而不是考虑单个电子，简化了事情，”该研究的第一作者，Skoltech研究工程师亚历山大·里亚波夫解释说。

“然而，这一理论有一个重要的未知值，称为交换相关函数。直到最近，人们倾向于对其进行分析近似。也就是说，函数形式的系数是根据几种已知的物理原理确定的，不需要借助神经网络。我们的方法是第一个使用两分量神经网络的方法。神经网络已经en积极参与这项任务，但我们的团队在俄罗斯这一领域处于领先地位。”

根据研究人员的说法，他们与竞争方法的区别在于，训练分为两个阶段：首先，一个网络被训练，其权重被冻结。然后再教另一个。

“以前，人们使用神经网络来近似交换相关函数，之后必须使用计算密集的导数来找到相应的交换相关势。这些导数通常证明难以使用神经网络以相当的精度计算，”Skoltech高级研究科学家Petr Zhilyaev说，该研究的主要研究者补充说。“在我们的工作中，两分量神经网络近似了势函数和函数，因此不涉及复杂的导数，计算量也减少了。”

“为了运行我们论文中报告的实验，我们将神经网络应用到了用于量子化学的章鱼软件套件中，”Ryabov说。“我们还研究了训练过程如何受到非自洽密度的影响。在将这些密度添加到训练数据集后，我们观察到神经网络之前产生最差结果的分子的性能有所改善。”