Quantum Chemical Density Matrix Renormalization Group Method Boosted by Machine Learning

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61388955%3A_____%2F25%3A00618676" target="_blank" >RIV/61388955:_____/25:00618676 - isvavai.cz</a>

Výsledek na webu

<a href="https://hdl.handle.net/11104/0365504" target="_blank" >https://hdl.handle.net/11104/0365504</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1021/acs.jpclett.5c00207" target="_blank" >10.1021/acs.jpclett.5c00207</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Quantum Chemical Density Matrix Renormalization Group Method Boosted by Machine Learning

Popis výsledku v původním jazyce

The use of machine learning (ML) to refine low-level theoretical calculations to achieve higher accuracy is a promising and actively evolving approach known as Delta-ML. The density matrix renormalization group (DMRG) is a powerful variational approach widely used for studying strongly correlated quantum systems. High computational efficiency can be achieved without compromising accuracy. Here, we demonstrate the potential of a simple ML model to significantly enhance the performance of the quantum chemical DMRG method.

Název v anglickém jazyce

Quantum Chemical Density Matrix Renormalization Group Method Boosted by Machine Learning

Popis výsledku anglicky

The use of machine learning (ML) to refine low-level theoretical calculations to achieve higher accuracy is a promising and actively evolving approach known as Delta-ML. The density matrix renormalization group (DMRG) is a powerful variational approach widely used for studying strongly correlated quantum systems. High computational efficiency can be achieved without compromising accuracy. Here, we demonstrate the potential of a simple ML model to significantly enhance the performance of the quantum chemical DMRG method.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10403 - Physical chemistry

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Journal of Physical Chemistry Letters

ISSN

1948-7185

e-ISSN

—

Svazek periodika

16

Číslo periodika v rámci svazku

13

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

7

Strana od-do

3295-3301

Kód UT WoS článku

001450927500001

EID výsledku v databázi Scopus

2-s2.0-105000797836