在量子化学计算中，精确预测分子电子结构一直是一个重要而富有挑战性的课题。 传统的密度泛函理论（DFT）方法虽然计算速度快，但精度有限；而高精度的耦合簇（CCSD（T））方法虽然被视为「金标准」，但其计算成本随分子大小呈指数级增长，难以应用于复杂体系。 最近，麻省理工学院的研究团队开发出一种创新的多任务学习方法，成功将机器学习与量子化学计算相结合，实现了接近CCSD（T）精度的分子电子结构预测。 该 ...

在量子化学领域，预测分子电子结构的精确性一直是科学家们追求的目标，但这一任务既重要又极具挑战。传统的密度泛函理论（DFT）方法尽管计算迅速，却受限于其精度，难以满足高精度需求。而耦合簇（CCSD（T））方法，尽管被视为“黄金标准”，其高昂的计算成本却使其难以应用于大型或复杂分子体系。