AMS2026 现已发布,带来了机器学习势、模拟工作流程及易用性方面的强大新进展。凭借更广泛的化学覆盖范围和更优的性能,开展自动化、可重复的研究比以往任何时候都更加便捷。立即升级,亲身体验其卓越表现。 机器学习势 新模型系列(eSEN、MACE、UMA等)基于大规模数据集训练,在提升机器学习势能的效率与精度的同时,进一步拓展了其适用范围。 扩展的覆盖范围包括: 带电及磁性分子 生物分子与聚合物 金属配合物与催化界面 金属有机框架材料与分子晶体 无机材料 性能提升方面: 在多种应用中接近化学精度 针对GPU进行了性能优化 提供经过基准测试并配有文档的模型 可通过Package管理器轻松安装 这些功能支持一系列工作流程,包括: 构象筛选 预优化 热化学与反应性研究 主动学习(包括MACE和M3GNet的微调) 量子化学模块 ADF 新增功能现已支持更广泛的电子结构和光谱应用领域: 基于 FQ(Fμ)嵌入的 GW 方法(可极化模型) 用于等离子体光谱(如表面增强拉曼散射)的 wFQ 方法 溶剂化模型 SM12 的解析梯度 结合 LibXC 的冻芯近似 ROKS-TDA 及 ROKS-TDA-SOC 方法现包含自旋翻转向下激发态(改进含自旋-轨道耦合的 TDDFT 中未配对电子的描述) 针对开壳层 TD-DFT+TB 方法的激发态几何结构优化 结合 LibXC 及 Range-Seperated 泛函的核磁共振化学屏蔽计算 OLED 与多尺度工作流 OLED 工作流的更新加强了与 OLED […]










