通过反向传播优化密度泛函理论降低量子化学数据成本
内容提要
本文综述机器学习在量子化学与材料模拟中的应用，包括用神经网络替代密度泛函理论泛函、预测DFT哈密顿量与电子密度、构建波函数和势能面，以兼顾精度与低成本，加速多尺度材料建模与分子反向设计。
延伸解读
机器学习如何降低量子化学计算成本
文章指出，传统密度泛函理论（DFT）计算成本高，而机器学习可通过多种途径降低成本：用神经网络替代交换-相关泛函、预测DFT哈密顿量、直接学习电子密度或波函数。这些方法在保持精度的同时，显著加速了多尺度材料建模和分子反向设计，为量子化学模拟提供了新范式。
关键技术与代表性进展
文章列举了多项研究：等变图神经网络ChargE3Net预测电子密度，性能优于先前工作且可扩展至更大系统；费米神经网络作为波函数仿真，精度超过变分量子蒙特卡罗；深度张量神经网络分析分子系统量子力学观测量。这些技术展示了机器学习在量子化学中的多样化应用。
数据效率与精度平衡
文章强调，机器学习方法能在小数据集上生成复杂泛函，甚至通过少量实验数据点处理新化合物。结合机器学习纠正与近似量子方法，可实现化学精度和低计算成本的平衡。这表明数据效率是机器学习在量子化学中实用化的关键优势。
Q&A
机器学习如何帮助降低量子化学模拟的计算成本？
机器学习通过用神经网络替代密度泛函理论中的交换-相关泛函、预测DFT哈密顿量与电子密度、构建波函数和势能面，在保持精度的同时大幅降低计算成本，加速多尺度材料建模与分子反向设计。
有哪些具体的机器学习方法被用于预测DFT哈密顿量？
文章提到使用机器学习和kernel ridge regression方法快速准确预测DFT哈密顿量，适用于各种材料系统，并与DFT计算结果进行比较。
ChargE3Net是什么？它有什么作用？
ChargE3Net是一种等变图神经网络，用于预测原子系统中的电子密度分布，性能优于先前工作，可处理更大系统，预测材料的电子和热力学性质，并加速DFT的自洽迭代过程。
费米神经网络在量子化学中有什么优势？
费米神经网络是一种新颖的深度学习架构，作为处理多电子系统的有效波函数仿真，能在各种原子和小分子上获得比其他变分量子蒙特卡罗Ansätze更高的精度，优于其他从头算量子化学方法，可直接优化之前难以处理的波函数。
机器学习如何用于分子的反向设计？
文章提出了一种基于深度学习的量子力学波函数预测框架，用于分子结构的反向设计，以优化目标电子性质，表明机器学习和量子化学可以更协同地工作。
深度张量神经网络（DTNN）在量子化学中能预测什么？
DTNN可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，用于预测分子的原子能和局部化学势、同位素能以及分子的电子结构。
