基于 AI 驱动的 PULSE 方法估计化学无序化合物的热力学性质

本文提出了 PULSE 方法（Partition function Unsupervised Learning Sampling and Evaluation）的一个改进版本，用于估计化学无序化合物的热力学性质。旨在降低蒙特卡罗方法在此类材料上的计算成本，并演示该生成工具可通过抽样与估计系统的配分函数来估计热力学性质。为验证这一创新方法的有效性，我们以 2D 伊辛模型作为基准。我们展示了该方法在高精度和高效能方面准确复现平均性质，与传统蒙特卡罗抽样方法相ом。我们的结果突显了 PULSE 方法的高效性和适应性，使其成为研究化学无序材料的宝贵工具，传统方法在低成本下难以计算受化学无序影响的材料性质。