待验证50% 置信事实精确时间
密度泛函理论（DFT）为几乎所有大规模机器学习力场数据集（如OMol、OC20）生成标签。
1
来源数
50%
置信度
长期有效
时效性
2026/11/2
首次发现
来源
涉及实体
相关事实
待验证面向科学发现的AI平台更强调可解释性和与物理模拟的耦合，机器学习负责快速预测，密度泛函理论（DFT）或分子动力学模拟提供物理约束，高性能计算支撑大规模并行筛选。70% 相似待验证GNoME基于图神经网络（GNN），通过学习Materials Project等密度泛函理论（DFT）数据库中已知晶体结构稳定性规律进行预测67% 相似待验证DPM-Solver 是一种快速采样算法，用于优化扩散模型的采样过程。65% 相似待验证一项系统性研究通过密集网格实验发现，DPO的最优学习率随模型规模变化而移动。65% 相似待验证DML的核心思想是使用机器学习模型分别拟合结果变量和处理变量，再通过正交化（Neyman正交性）和交叉拟合（cross-fitting）消除正则化偏差，从而得到无偏且√n-一致的估计量。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1127432API
curl https://kongchang.com/api/v1/knowledge/claims/1127432MCP
get_claim(id=1127432)