材料探索新纪元!清华大学徐勇、段文晖团队发布神经网络密度泛函框架,打开物质电子结构预测的黑箱!

程序 · 杂谈 | 清华放大招:AI 重构电子结构计算,神经网络和 DFT 强强联手,材料模拟要变天 搞材料模拟的兄弟们都知道,密度泛函理论(DFT)是块硬骨头,算起来又慢又费劲!😩 不过,清华大学的课题组最近开发了一个名为 AI2DFT(基于清华自研算法Deep-learning DFT Hamiltonian的软件) 的神器,用神经网络来加速 DFT 计算,速度直接起飞。传统的深度学习 DFT 研究,都是先用 DFT 吭哧吭哧算一堆数据,然后再用这些数据来训练神经网络。这样做虽然也能提高效率,但是神经网络和 DFT 还是各玩各的,没有真正融合在一起。清华大学的这个 AI2DFT 就厉害了! 阅读详情

密度泛函理论 (density functional theory, DFT) 作为一种用于预测和解释材料性质的关键工具,在物理、化学、材料科学等领域都发挥着不可或缺的作用。 然而,传统 DFT 通常需要耗费大量计算资源和时间,其应用范围受到显著限制。

作为一个新兴的跨学科领域,将深度学习与密度泛函理论结合,通过大量的计算模拟来预测和发现新材料,正逐渐克服传统 DFT 计算耗时且复杂的缺点,在计算材料数据库的构建方面具有巨大的应用潜力。神经网络算法加速构建更大规模的材料数据库,更大数据集又可以训练更强大的神经网络模型。然而,目前的深度学习 DFT 研究大多将 DFT 任务与神经网络分开处理,这大大限制了两者之间的协同发展。

为了将神经网络算法和 DFT 算法更有机地结合起来,清华大学徐勇、段文晖课题组提出了神经网络密度泛函理论 (neural-network DFT) 框架。 该框架统一了神经网络中损失函数的最小化与密度泛函理论中的能量泛函优化,相比传统的有监督学习方法,具有更高的准确性和效率,为发展深度学习 DFT 方法开辟了一条新的途径。

该研究以「Neural-network density functional theory based on variational energy minimization」为题,发表在 Phys. Rev. Lett. 上。

研究亮点:

  • 该研究提出了一种神经网络密度泛函理论的理论框架,将变分密度泛函理论与等价神经网络相结合

  • 该研究基于 Julia 语言,结合 Zygote 自动微分框架,从头开发了一套名为 AI2DFT 的计算程序。在 AI2DFT 中,自动微分 (AD) 既可用于变分 DFT 计算,也可用于神经网络训练

在这里插入图片描述

论文地址:
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.133.076401

开源项目「awesome-ai4s」汇集了百余篇 AI4S 论文解读,并提供海量数据集与工具:

https://github.com/hyperai/awesome-ai4s

深度学习与 DFT 集成,实现物理信息的无监督学习

Kohn-Sham DFT 是材料模拟中应用最广泛的第一性原理计算 (ab initio calculation) 方法。 该方法把复杂的电子相互作用问题简单化,将其映射为一个由有效单粒子 Kohn-Sham 哈密顿量描述的简化非相互作用电子问题,并且采用近似交换相关函数来考虑复杂的多体效应。虽然 Kohn-Sham 方程是从变分原理中形式化推导出来的,在理论物理学领域备受青睐,但由于迭代求解微分方程更为高效,该方法并不常用于 DFT 计算中。

然而,随着深度学习与 DFT 的进一步集成,这种开发范式已经得到了彻底改变。

深度学习 DFT 的研究主要依赖于数据驱动的监督学习技术。如下图 a 所示,一般情况下,传统的数据驱动监督学习方法通过对不同材料结构进行 DFT SCF 计算以生成训练数据,然后通过设计并训练神经网络,从而预测类似于 DFT 结果的数据。在这个过程中,神经网络与 DFT 是分开的。

在这里插入图片描述

深度学习与 DFT 集成的两种不同方法

现如今,如上图 b 所示,基于神经网络 DFT 的物理信息无监督学习,通过将 DFT 中能量泛函的优化与神经网络中损失函数的最小化相结合,实现了神经网络算法和 DFT 算法的共享与协同。更重要的是,通过将 DFT 明确引入深度学习,神经网络模型可以比先前的数据训练方法更好地模拟真实物理环境。

引入自动微分和反向传播等技术,在数值上实现了神经网络 DFT

该研究选择了能量泛函 E[H] 进行后续研究,并采用 DeepH-E3 来确保映射 {R} → H 在三维欧几里得群中的协变性。

  • DeepH-E3,徐勇团队基于等价神经网络设计的第二代 DeepH 架构。该框架利用三维欧几里得群下协变的神经网络预测微观原子结构对应的密度泛函理论 (DFT) 哈密顿量,极大地加速了第一性原理电子结构计算。

具体而言,如下图所示,该研究将等变神经网络以材料结构信息的嵌入作为输入条件,进而输出哈密顿量矩阵,获得神经网络权重参数化的 Hθ,能量泛函 E[H] 也可以被视为神经网络的损失函数 E[Hθ]。

在这里插入图片描述

神经网络 DFT 的架构与实现路径

在神经网络 DFT 中,DFT 程序必须提供 ∇HE 以优化神经网络参数,这对于 DFT 编程而言是一个重大挑战。

尽管自动微分 (AD) 非常适合计算 ∇HE,但目前大多数 DFT 代码并不完全支持 AD 功能。因此,该研究使用 Julia 语言开发了一个自主可用的自动可微分 DFT 程序「AI2DFT」。值得注意的是,在 AI2DFT 中,自动微分 (AD) 既适用于 DFT 计算,也适用于神经网络训练。

在 DFT 中,AI2DFT 能够通过 H 推导出 ρ 和 n,从而计算出总能量,进而基于链式法则 (chain rule) 使用反向模式 (reverse-mode) 的 AD 依次计算 ∇nE、∇ρE 和 ∇HE 。在神经网络中,梯度信息 ∇θE 可用于神经网络优化。

研究结果:神经网络 DFT 具有高可靠性,在预测精度方面性能优异

在建立了神经网络 DFT 的理论框架,以及用可微编程的 AI2DFT 代码完成了数值实现后,该研究对 H2O 分子、石墨烯、单层 MoS2 和体心立方 Na 在内的一系列材料进行了全面测试。

具体而言,该研究首先检查了 AI2DFT 的 SCF 迭代是否能够很好地再现 SIESTA 代码的基准结果,然后应用变分 DFT 对相同的材料进行研究。 如下图 a, b 所示,在数十个变分步骤后,总能量可以在 μeV 尺度以下收敛,能量梯度、哈密顿量、密度矩阵和电荷密度等其他物理量也表现出指数收敛,这验证了变分 DFT 的可靠性和鲁棒性。

在这里插入图片描述

AI2DFT 的验证

不仅如此,如上图 c, d 所示,与传统数据驱动的监督学习方法相比,AI2DFT 结合了变分 DFT 和 DeepH-E3 神经网络的性能。例如:

  • 对于 H2O 分子,DFT 哈密顿量可以通过神经网络 DFT 优化,从而达到高精度,神经网络 DFT 的精度为 0.06 meV,数据训练的精度为 0.02 meV。

  • 对于石墨烯,两种方法均达到了更高的精度,为 0.004 meV。因此,神经网络方法的可靠性得到了验证。

  • 另外,在能量的预测精度 (prediction accuracy) 方面,神经网络 DFT 的性能显著优于数据训练。例如,对于 H2O 分子,神经网络 DFT 的能量预测精度达到 0.013 μeV,比数据训练的 0.83 μeV 高出 60 倍以上。

最后,该研究还将神经网络 DFT 应用于多种材料结构计算,并展现了无监督学习的能力。 以 H2O 分子为例,如下图 a 所示,该研究首先通过基于 DeepH-E3 方法的数据驱动监督学习获得了预训练的神经网络模型,然后使用神经网络 DFT 对 300 个训练结构进行微调,实现了对哈密顿量及其他物理量的高精度预测。

在这里插入图片描述

使用神经网络 DFT 对多个 H2O 结构进行无监督学习

不仅如此,该研究还将训练后的神经网络模型用于预测训练过程中未见过的 435 个测试结构,结果也显示出良好的泛化能力,如上图 b, c 所示。与数据驱动的监督学习相比,神经网络 DFT 产生的哈密顿量虽然具有稍大的平均绝对误差,但在预测精度方面表现出优异的性能,这暗示了神经网络通过 neural-network DFT 过程学习到了更物理的模式。

聚焦 DFT 和第一性原理计算,AI 将引领材料科学新纪元

由清华大学徐勇教授、段文晖教授领衔,汇集李洋、唐泽宸、陈泽洲等人的研究团队,在密度泛函理论 (DFT) 和第一性原理计算方面取得了一系列成果,他们的工作促进了深度学习技术在材料科学和物理研究领域的广泛应用。

自 2022 年起,徐勇和段文晖的研究团队就在第一性原理计算领域取得重大突破。他们开发了一种基于深度学习的理论框架和算法—— DeepH (Deep DFT Hamiltonian)。 该方法充分利用了电子性质的局域性原理,只需要利用小体系数据集训练的模型便可以在大尺度材料体系给出准确预测,显著提升了非磁性材料电子结构的计算效率。

相关成果以「Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation」为题发表于 Nature Computational Science。
论文链接:
https://www.nature.com/articles/s43588-022-00265-6

2023 年,为进一步研究磁性材料的 DFT 哈密顿量对原子和磁结构的依赖关系,徐勇和段文晖的研究团队又提出了 xDeepH (extended DeepH) 方法。 该方法通过一种深度等变神经网络框架来表示磁性材料的 DFT 哈密顿量,从而进行高效的电子结构计算。这一成果不仅为磁性结构的研究提供了一种高效且精确的计算工具,同时也为平衡 DFT 的精度与效率提出了一条可行路径。

相关成果以「Deep-learning electronic-structure calculation of magnetic superstructures 」为题发表于 Nature Computational Science。
论文链接:
https://www.nature.com/articles/s43588-023-00424-3

为了设计包含先验知识和对称性要求的神经网络模型,研究人员进一步提出了 DeepH-E3 方法。 这种方法能够利用少量的 DFT 数据对小规模体系进行训练,然后快速预测大规模材料体系的电子结构。它不仅大幅提高了计算速度,达到了几个数量级的提升,而且在预测精度上也达到了亚毫电子伏的高标准。

相关成果以「General framework for E(3)-equivariant neural network representation of density functional theory Hamiltonian」为题发表于 Nature Communications。
论文链接:
https://www.nature.com/articles/s41467-023-38468-8

随着理论框架的持续优化,DeepH 已经实现了从非磁性到磁性材料的全面覆盖,并且在预测精度方面也得到了显著提高。在这样的背景下,徐勇和段文晖的研究团队进一步利用 DeepH 方法,构建出了一个 DeepH 通用材料模型。 该模型能够应对包含多种元素和复杂原子结构的材料系统,并在预测材料性质方面展现出十分出色的准确性。

相关研究成果以「Universal materials model of deep-learning density functional theory Hamiltonian」为题发表于 Science Bulletin 上。
论文链接:
https://doi.org/10.1016/j.scib.2024.06.011

如今,徐勇、段文晖研究组又将神经网络算法和 DFT 算法进行有机结合,为发展深度学习 DFT 方法开辟了一条新的途径。毫无疑问,随着深度神经网络算法的不断进步和更大规模数据集的建立,AI 将变得更加智能,很可能在不久的将来,第一性原理计算、材料发现和设计都将由神经网络完成。这预示着 AI 将引领材料科学进入一个全新的数据驱动时代。

android11-修改屏幕显示方向和触摸方向 参数0表示12点钟方向显示参数90表示3点钟方向显示参数180表示6点钟方向显示参数270表示9点钟方向显示。 阅读详情

相关推荐

Android Studio运行报错: failed to load include path ……\platforms\android-35\android.jar的最细解决方案

【代码】Android Studio运行报错: failed to load include path ……\platforms\android-35\android.jar的最细解决方案。

2401_86789230的博客 2万+

DeepH-pack 使用与安装指南

DeepH-pack 使用与安装指南 1. 目录结构及介绍 DeepH-pack 是一个专为基于局部坐标和基变换预测密度泛函理论(DFT)哈密顿矩阵设计的深度神经网络应用包。以下是项目的主要目录结构概述: ./ 根目录,包含了项目的主文件和重要说明。 README.md 项目简介、安装步骤和快速入门指导。 LICENSE 许可证文件,定义了软件使用的法律条款。 docs/ 文档目录,详细介绍...

gitblog_00121的博客 1054

Windows10开机无限蓝屏(SrtTrail.txt)

这个问题已经有很多的大佬发过解决办法了,这里仅仅作为自己日后方便查找所写文章 无法开机——自动修复失败,报SrtTrail.txt文件错误,且陷入无限蓝屏的循环 事故 故事的起因是这样的: 开开心心的组装电脑,花了几天时间来配置,然后发现USB3.0的接口太少,于是在某宝上搞到一张pcie转7口USB3.0的转接卡,往电脑上一插 插电,开机,电流轻松跑上去 然后,它和原来的磁盘阵列卡冲突,跳过阵列卡自检直接进入系统,boom,就导致了这场悲剧 解决方法 在蓝屏的界面找到:疑难解答->通过命令提示符 使

Holo__的博客 3万+

探索高效电子结构计算的新星:DeepH-pack

探索高效电子结构计算的新星:DeepH-pack 在当今的科学研究领域,高效且准确的电子结构计算工具对于材料科学、物理学乃至化学的发展至关重要。今天,我们向您隆重推荐一款革命性的开源项目——DeepH-pack,它基于深度学习技术,为密度泛函理论(DFT)的哈密顿量计算带来了前所未有的效率提升。 项目介绍 DeepH-pack 是 DeepH(深度哈密顿量)方法的官方实现,该方法通过深度学习技术优...

gitblog_00524的博客 575

从FOC到你的无人机:深入浅出讲透Clark/Park变换在无刷电机控制中的核心作用

本文深入解析Clark变换与Park变换在无刷电机控制中的核心作用,揭示其如何将三相交流电转换为旋转坐标系下的直流量,实现无人机电机的高效精准控制。通过STM32硬件加速和工程实践案例,展示这对数学变换如何成为FOC算法的神经中枢,大幅提升系统响应速度和能效表现。

weixin_42628941的博客 169

【深度学习驱动流体力学】采集OpenFOAM仿真数据作为AI模型训练数据集与卷积神经网络搭建到预测(一站式完整代码实现)

采集OpenFOAM仿真数据作为AI模型训练数据集与卷积神经网络搭建到预测(一站式完整代码实现)

源代码杀手的博客 1414

神经网络替代密度泛函理论!清华研究组发布通用材料模型 DeepH,实现超精准预测

Google 旗下的 DeepMind 开发了用于材料科学的人工智能强化学习模型 GNoME,寻找到了 38 万余个热力学稳定的晶体材料,相当于「为人类增加了 800 年的智力积累」,极大加快了发现新材料的研究速度;近日,来自清华大学物理系的徐勇、段文晖研究组成功利用其原创的 DeepH 方法,发展出 DeepH 通用材料模型,并展示了一种构建「材料大模型」的可行方案,这一突破性进展为创新材料发现提供了新机遇。这个时代的特点是利用庞大的数据集和先进的算法,训练出能够处理复杂任务的深度学习模型。

HyperAI超神经 1668

Android 9.0 SystemUI禁用长按recent键的分屏功能

​ 在9.0的系统产品开发中,系统对于多窗口模式默认会有分屏功能的,但是在某些产品中,需要禁用分屏模式,所以需要在导航栏中 禁用长按recent的分屏模式功能,接下来分析下相关分屏模式的实现 ​

安卓兼职framework和app工程师的博客 451

2020年度全球人工智能十大事件

当前,新一代人工智能技术在全球蓬勃兴起,迅猛发展,与大数据、区块链、5G等新技术相互融合、相互因应,为经济社会发展尤其是数字经济发展注入新动能,正在深刻改变社会生产生活方式。与此同时,如何...

708

华为OD机考双机位C卷 - 评委评分 (Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 评委评分 (OD上机考试双机位C卷)。提供在线OJ刷题。Java、C++、Python、GO语言、C语言、JavaScript题解,并提供完整思路讲解。

算法大师! 1752

【人工智能】在 cc-switch 中配置 AnyRouter 接入 Claude Code 完整指南

本文介绍了在cc-switch工具中配置AnyRouter中转服务以接入Claude Code的详细步骤。主要内容包括:1) 准备API令牌和端点地址;2) 填写基础信息和模型参数;3) 保存配置并重启终端生效;4) 常见问题排查方法。重点强调了API地址格式、模型ID准确性以及配置写入的必要性,帮助用户顺利完成中转服务配置,实现Claude 4.5版本的正常使用。

奶爸的编程之路,也就一周冷个三天 3109

材料探索新纪元!清华大学徐勇、段文晖团队发布神经网络密度泛函框架,打开物质电子结构预测的黑箱!...

本文约3500字,建议阅读7分钟 本文为你介绍神经网络密度泛函理论框架。清华大学徐勇、段文晖研究组提出了神经网络密度泛函理论的理论框架,该框架统一了神经网络中损失函数的最小化与密度泛函理论中的能量泛函优化,为发展深度学习 DFT 方法开辟了一条崭新途径。密度泛函理论 (density functional theory, DFT) 作为一种用于预测和解释材料性质的关键工具,在物理、化学、材料科学等...

数据派THU 502

Linux安装Docker(图文解说详细版)

第一步,下载docker 下载地址: https://download.docker.com/linux/static/stable/x86_64/ 这次的演示我们使用docker-18.06.3-ce.tgz 这个版本 第二步,上传到云服务器上面 使用rz命令上传或者fltp工具进行上传 第三步,解压文件 第四步,将解压出来的docker文件复制到 /usr/bin/ 目录下 这么做的目的是将docker交给linux自己去管理,类似spring中的ioc(猜测,非正经知识) cp docker

编码人生 1万+

NPU(神经网络处理单元)详细解析

NPU(Neural Processing Unit,神经网络处理单元)是一种专门为加速神经网络计算(尤其是深度学习推理)而设计的专用处理器(ASIC/DSP 类)。它也常被称作神经引擎(Neural Engine)、AI 加速器、APU(AI Processing Unit)等。处理器擅长不擅长CPU通用逻辑控制、串行任务、操作系统调度大规模并行矩阵运算,能效比低GPU图形渲染、大规模并行浮点计算功耗高(几十到几百瓦),不适合电池设备NPU神经网络核心算子(矩阵乘、卷积、激活)

zhaoshuzhaoshu的专栏 258

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

神经网络与深度学习笔记_Day6

神经网络与深度学习笔记_Day6,包含 ANN案例、CNN概述、卷积层 与 池化层。 写于2026/02/12。

ZZHow Blog 350

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

物理信息神经网络与扩展物理信息神经网络(PINN/XPINN)求解功能梯度材料稳态—瞬态热传导,MATLAB代码

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 142

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)

2027年神经网络、智能信息与数据科学国际会议(NNIDS 2027)将在中国·合肥举行,会议围绕神经网络、智能信息处理与数据科学等研究方向展开学术交流,关注人工智能算法、数据分析技术以及智能信息系统的发展。

Yangxshy的博客 214

第 06/24 期:神经网络的反向传播算法:从链式法则到梯度计算

本文系统阐述了神经网络中反向传播的数学原理:前向计算为函数复合,而参数梯度需通过链式法则逆向传递。核心是定义误差项 $\delta^{(l)} = \nabla_{z^{(l)}}\mathcal{L}$,从输出层开始递推,利用权重转置与激活导数实现高效梯度传播。权重梯度由误差项与输入的外积构成,偏置梯度即误差项本身。通过两层网络实例验证了公式正确性,强调维度一致性的重要性,并揭示了激活函数导数在梯度传播中的关键作用,为理解深层网络训练机制提供理论基础。

weixin_47502228的博客 643

第 02/24 期:从线性模型到多层感知机:神经网络的表示能力

本文探讨了线性模型的表达局限,指出其函数族仅能表示超平面边界,无法解决非线性可分问题(如XOR)。通过多层感知机引入非线性激活函数(如ReLU、tanh),网络可构建分段线性或光滑非线性函数,显著提升表示能力。实验表明,单隐藏层MLP在拟合复杂目标函数时优于仿射模型。但需区分表示能力、优化可达性与泛化性能三者:即使模型理论上可逼近任意函数,实际训练仍受初始化、优化路径和样本限制。

weixin_47502228的博客 364

神经网络与深度学习笔记_Day5

神经网络与深度学习笔记_Day5,包含 梯度下降优化方法、学习率衰减策略、正则化 与 ANN案例。 写于2026/02/07。

ZZHow Blog 331

神经网络是如何学习的?(关于损失函数,梯度下降,反向传播,梯度消失详解)

神经网络的学习本质是一场“瞎子下山”的试错游戏:通过前向传播预测,损失函数评分,反向传播计算梯度,梯度下降更新参数,循环数万次。单个神经元如直线分割,难以解决复杂问题(如XOR),但多层感知机(MLP)叠加非线性激活后,可拟合任意复杂边界。损失函数定义“错误”程度,梯度下降则沿最陡方向迭代优化,学习率决定步幅。反向传播利用链式法则高效分配误差责任,但深层网络中梯度逐层衰减,导致“梯度消失”,使浅层参数难以更新。核心在于:模型靠不断试错,在参数空间中寻找最低损失点,最终学会“看懂世界”。

JYF2007ABC的博客 829

从“人工智障”到“智能”,没有激活函数的神经网络只是在叠直线

没有激活函数的神经网络仅能表示线性关系,即使堆叠多层也无法拟合复杂非线性模式,导致模型表现如“人工智障”。激活函数(如ReLU)引入非线性,使网络能分段拟合复杂边界,实现从“画直线”到“拼曲线”的跃迁。正确使用激活函数、避免输出层重复激活、合理选择损失函数,是解决模型失效的关键。

JYF2007ABC的博客 420

神经网络与深度学习笔记_Day2

神经网络与深度学习笔记_Day2,包含 张量 与 自动微分。 写于2026/01/21。

ZZHow Blog 125

DeepXDE 物理信息神经网络(PINN):自动微分嵌入 PDE 求解的计算特征与 UltraLAB 图形工作站选型

单卡显存决定单任务上限,CPU 高主频多核决定试验吞吐。入门者一张 12—16 GB 显卡即可开展研究;做三维反问题与算子学习的团队建议 24 GB 级单卡起步、64 GB 以上内存;需要批量反演与不确定度量化的实验室按"多卡多任务"扩展,并把预算优先给显存与内存,而非盲目堆卡数。DeepXDE 多后端特性使同一环境可服务 TensorFlow/PyTorch/JAX 三类技术栈,部署时注意 CUDA 版本与后端版本的匹配。

202

从零搭建一个神经网络:从底层原理到 PyTorch 完整实现

神经网络(Neural Network)是一种受到生物神经系统启发的机器学习模型。它通过多个相互连接的人工神经元,对输入数据进行特征提取和非线性变换,最终完成分类、回归、预测等任务。神经网络就是通过大量数据不断调整内部参数,让模型逐渐学会输入与输出之间的映射关系。例如,我们希望训练一个模型,根据房屋面积、房间数量、地理位置等特征预测房屋价格。传统机器学习可能需要人工设计特征,而神经网络能够通过多层计算自动学习数据中的复杂规律。梯度表示函数对各个参数的变化率。

2503_90237586的博客 259

1,944 Star 的浏览器人声合成器 CHIMERA:不用采样、不用神经网络,靠物理建模“唱”出歌来

开源项目 CHIMERA(1,944 Star/7 天)在浏览器里物理建模了一副完整气道(肺、声带、声道、唇、鼻):Rust 编译 WASM 跑 AudioWorklet,零采样零神经网络,可拖舌头演奏、按 IPA 说话、钢琴卷帘唱歌、姿态化打 beatbox,还自带鸣禽与大象发声模型。本文拆解其确定性引擎设计、对真人歌手的校准方法与上手命令。

话梅糖の优快云 Blog 308
上一篇: 直播预告丨清华大学博士后李雨哲详解 Cell/Nature 子刊论文,探索基因组学的 AI 应用
下一篇: 在线教程 | 仅需 1 张图片即可生成完整绘画过程,Lvmin Zhang 新作 Paints-Undo 上线!
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值