研究人员使用具有两个隐藏层的前馈神经网络（FNN）作为机器学习模型，通过计算22151个分子的态密度和相应的核损耗光谱来构建数据库。然后，在核损失谱上进行了训练和优化，以预测基态下占据和未占据状态的正确态密度。研究人员还试图使用由较小分子训练的模型来推断对较大分子的预测。

结果表明模型在没有微小分子的情况下表现出良好的外推性能，且具有应用于大分子的潜力。此外，研究团队还发现，通过使用平滑预处理和向数据添加特定噪声，可以改进对态密度的预测，从而可以加速预测模型在真实数据上的应用。

信息来源：

https://doi.org/10.1021/acs.jpclett.3c00142