材料的通用机器学习 Kohn-Sham 哈密顿
内容提要
本文综述机器学习在电子结构计算中的应用，包括预测DFT哈密顿量、构建交换关联泛函、优化Kohn-Sham方法、预测量子波函数与哈密顿矩阵等，可提升精度与效率、降低成本并增强模型可迁移性，为材料与分子设计提供新途径。
延伸解读
机器学习加速电子结构计算的关键进展
文章梳理了2016年至2023年间机器学习在电子结构计算中的多项应用，包括预测DFT哈密顿量、构建交换关联泛函、优化Kohn-Sham方法、预测量子波函数与哈密顿矩阵等。这些工作表明，机器学习不仅能提升计算精度与效率，还能降低计算成本，并增强模型在不同材料体系间的可迁移性，为材料与分子设计提供了新途径。
从预测哈密顿量到优化Kohn-Sham方法
文章提到，通过kernel ridge regression可快速准确预测DFT哈密顿量；利用深度学习重新参数化正交约束并采用随机梯度下降，可将Kohn-Sham密度泛函理论的计算复杂度从O(N^4)降至O(N^3)。这些方法在保持精度的同时显著提高了计算效率和稳定性，展示了机器学习在底层算法优化中的潜力。
数据驱动与物理近似结合的价值
文章强调，将数据驱动技术与物理近似相结合，能提高模型的可迁移性和可解释性，并节省计算成本。例如，基于数据库构建交换关联泛函时，较小数据集已可生成复杂泛函；神经网络替代交换关联泛函后，仅需少量实验数据点即可处理含新键和原子的化合物。这为发展机器学习增强型电子结构方法提供了蓝图。
可迁移学习模型的挑战与前景
文章回顾了机器学习在提高密度泛函及相关近似方法准确性方面的进展，并讨论了构建适用于不同化学和材料类别的可迁移学习模型的前景与挑战。尽管已有模型能应用于训练集之外的系统，但如何保证泛化能力、可解释性以及处理复杂体系仍是待解决的问题，这需要进一步结合物理约束与数据驱动方法。
Q&A
机器学习如何加速密度泛函理论（DFT）计算？
机器学习通过预测DFT哈密顿量、优化Kohn-Sham方法、构建交换关联泛函等方式，提升计算效率和精度。例如，使用kernel ridge regression预测DFT哈密顿量，或通过深度学习将Kohn-Sham方法的计算复杂度从O(N^4)降至O(N^3)。
机器学习在构建交换关联泛函方面有哪些进展？
研究使用机器学习基于数据库构建交换-相关能泛函，证明较小的数据集已可以生成复杂的泛函。此外，通过神经网络替代交换-相关泛函，可利用少量实验数据点处理包含新键和原子的化合物集合，提高模拟精度。
机器学习预测量子哈密顿矩阵的模型是什么？
一种基于监督学习的量子哈密顿矩阵预测模型，利用QM9数据集中的分子动力学轨迹和稳定分子几何结构生成了QH9量子哈密顿矩阵数据集，并设计了基准测试任务。该模型可对任意分子预测哈密顿矩阵，在分子设计和材料设计领域有广泛应用前景。
机器学习如何提高电子结构计算的可迁移性？
数据驱动技术与物理近似相结合，提高了模型的可迁移性和可解释性，节省了计算成本。例如，通过将有希望的模型应用于训练集之外的系统，展示了构建适用于不同化学和材料类别的可迁移学习模型的前景。
机器学习在量子化学波函数预测中有何应用？
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。这表明机器学习和量子化学可以更协同地工作。
机器学习在电子结构计算中面临哪些挑战？
挑战包括构建适用于不同化学和材料类别的可迁移学习模型，以及纠正密度泛函方法中的基础错误。尽管机器学习有潜力提高预测能力，但实现广泛适用性仍需进一步研究。
