Notice bibliographique
Résumé
Kohn-Sham density-functional theory (DFT), the predominant framework for electronic structure computations in chemistry today, has undergone considerable evolution in the past few decades. The earliest DFT approximations were based on uniform electron gas models completely free of empirical parameters. Tremendous improvements were made by incorporating density gradients and a small number of parameters, typically one or two, obtained from fits to atomic data. Incorporation of exact exchange and fitting to molecular data, such as experimental heats of formation, allowed even further improvements. This, however, opened a Pandora's Box of fitting possibilities, given the limitless choices of chemical reactions that can be fit. The result is a recent explosion of DFT approximations empirically fit to hundreds, or thousands, of chemical reference data. These fitted density functionals may contain several dozen empirical parameters. What has been lost in this fitting trend is physical modeling based on theory. In this work, we present a density functional comprising our best efforts to model exchange-correlation in DFT using good theory. We compare its performance to that of heavily fit density functionals using the GMTKN55 chemical reference data of Goerigk and co-workers [Phys. Chem. Chem. Phys. 19, 32184 (2017)]. Our density-functional theory, using only a handful of physically motivated pre-factors, competes with the best heavily fit Kohn-Sham functionals in the literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».