标题： 短程$Δ$机器学习：一种将化学精度转移到凝聚相系统的成本效益策略 显示英文标题

标题： Short-range $Δ$-Machine Learning: A cost-efficient strategy to transfer chemical accuracy to condensed phase systems

摘要： 基于DFT的机器学习势能面（MLPs）现在已被常规用于凝聚相系统，但由于周期性参考计算的成本或不可用性，超越DFT的准确性仍然具有挑战性。 我们之前的工作（PRL 2022, 129, 226001）表明，可以在CCMD框架内使用扩展但有限的参考计算来训练高精度周期性MLPs。 在此，我们引入了短程$\Delta$-机器学习（sr$\Delta$ML），它在周期性MLPs的基础上构建，同时准确再现高阶方法的可观测量。 显示英文摘要

摘要： DFT-based machine-learning potentials (MLPs) are now routinely trained for condensed-phase systems, but surpassing DFT accuracy remains challenging due to the cost or unavailability of periodic reference calculations. Our previous work (PRL 2022, 129, 226001) demonstrated that high-accuracy periodic MLPs can be trained within the CCMD framework using extended yet finite reference calculations. Here, we introduce short-range $\Delta$-Machine Learning (sr$\Delta$ML), which builds on periodic MLPs while accurately reproducing the observables of the high-level method.