Machine Learning approaches to classical density functional theory
本章综述机器学习用于经典密度泛函理论的进展,说明其可由模拟数据构建并改进自由能泛函,并展望相关平衡与非平衡理论方向。
2024-06-11 cond-mat.stat-mech physics.comp-ph
Machine Learning the Physical Non-Local Exchange-Correlation Functional of Density-Functional Theory
我们训练一个神经网络作为密度泛函理论的通用交换相关泛函,它同时再现了精确的交换相关能量和势能。该泛函是非常非局部的,但保留了传统局部或半局部近似的计算缩放。因此,它有希望解决一些困扰密度泛函理论的离域问题,同时保持Kohn-Sham方程的计算效率。此外,通过使用现代机器学习框架中存在的自动微分功能,我们在交换相关能和势能之间施加了精确的数学关系,从而形成了完全一致的方法。我们证明了我们的方法的可行性,通过在一维系统与两个强关联电子,密度泛函方法是已知的失败,并调查的行为和性能,我们的功能通过改变非局部性的程度。
2019-10-07 cond-mat.str-el physics.chem-ph physics.comp-ph
Can machines learn density functionals? Past, present, and future of ML in DFT
本文回顾了利用现代机器学习改进密度泛函理论中密度泛函近期的尝试,总结了不同研究方法中涌现的共同主题与教训,并展望了该领域的未来发展趋势。
2025-03-03 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
CIDER: An Expressive, Nonlocal Feature Set for Machine Learning Density Functionals with Exact Constraints
机器学习(ML)最近作为一种为密度泛函理论开发更准确的交换相关(XC)泛函的手段而受到关注,但迄今为止开发的泛函需要在几个指标上进行改进,包括准确性,数值稳定性和跨化学空间的可转移性。在这项工作中,我们引入了一组非本地功能的密度称为CIDER形式主义,我们用它来训练高斯过程模型的交换能量,遵守交换的临界均匀缩放规则。所得的CIDER交换泛函比这里测试的任何半局部泛函显著更准确,并且它在主族分子之间具有良好的可转移性。因此,这项工作是朝着更准确的交换泛函迈出的第一步,它还介绍了通过ML开发强大的物理信息XC模型的有用技术。
2022-01-24 physics.chem-ph physics.comp-ph
By-passing the Kohn-Sham equations with machine learning
Technische Universität Berlin(柏林工业大学);Max-Planck-Institut für Mikrostrukturphysik(马克斯·普朗克微结构物理研究所);New York University(纽约大学);University of California, Irvine(加州大学欧文分校);Courant Institute of Mathematical Science, New York University(纽约大学库朗数学科学研究所);NYU-ECNU Center for Computational Chemistry at NYU Shanghai(纽约大学上海纽约大学-华东师范大学计算化学中心);Korea University(高丽大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
去年,至少有3万篇科学论文使用了密度泛函理论的Kohn-Sham方案来解决各种科学领域的电子结构问题,从材料科学到生物化学再到天体物理学。机器学习有望通过示例学习动能泛函,而无需求解Kohn-Sham方程。这将大大节省计算机时间,允许更大的系统或更长的时间尺度被处理,但试图机器学习这个功能受到了限制,需要找到它的衍生物。目前的工作克服了这个困难,直接学习测试系统和各种分子的密度势和能量密度图。通过再现分子动力学模拟过程中产生的一系列分子几何构型的DFT能量,证明了该方法的准确性和较低的计算成本。此外,该方法可以直接应用于量子化学计算,允许量子化学精度的密度泛函的建设。
2017-06-15 cs.LG physics.chem-ph physics.comp-ph
Machine Learning Exchange-Correlation Potential in Time Dependent Density Functional Theory
我们提出了一种基于机器学习的方法来开发时间依赖密度泛函理论(TDDFT)的交换相关势。利用少量的电子-氢散射模型数据,训练神经网络从随时间变化的电子密度映射到随时间变化的Kohn-Sham方程中相应的关联势.我们证明,这种神经网络势可以捕获复杂的结构在散射过程中的时间相关势,并提供正确的散射概率,这是不是由标准的绝热泛函。我们还表明,有可能将非绝热(或记忆)效应与这种机器学习技术的潜力,这显着提高了动态的准确性。该方法为提高TDDFT的交换关联势提供了一种新的途径,使TDDFT理论成为研究各种激发态现象的有力工具。
2020-04-16 physics.chem-ph physics.comp-ph
Bridging electronic and classical density-functional theory using universal machine-learned functional approximations
本文提出结合等变卷积神经网络与加权密度近似的通用机器学习泛函框架,在硬棒流体、伊辛模型、电子交换与动能泛函及液态水等一维和准一维问题上验证了同一超参数泛函的高精度,为跨电子与经典DFT的通用三维泛函奠定基础。
2024-10-08 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine learning the derivative discontinuity of density-functional theory
针对现有机器学习泛函无法处理粒子数依赖和导数不连续性的问题,提出训练神经网络作为普适泛函,通过系综形式、分数密度训练集和显式不连续公式,实现分段线性和导数不连续性重现。
2021-06-30 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Design and Analysis of Machine Learning Exchange-Correlation Functionals via Rotationally Invariant Convolutional Descriptors
在这项工作中,我们探索了一种新的数据驱动的方法来设计交换相关(XC)泛函的潜力。该方法受计算机视觉中的卷积滤波器和优化中的代理函数的启发,利用电子密度的卷积来形成特征空间以表示局部电子环境和神经网络以将特征映射到交换相关能量密度。这些特征是无轨道的,并提供了一个系统的路线,包括各种长度尺度的信息。这项工作表明,卷积描述符理论上能够精确表示电子密度,并提出麦克斯韦-笛卡尔球谐核作为一类旋转不变描述符,用于构建机器学习泛函。该方法是证明使用的数据从B3 LYP功能上的一些小分子含有C,H,O和N以及神经网络回归模型。将机器学习的泛函与标准物理近似进行比较,并评估每个分子系统的绝对能量以及形成能的准确性。结果表明,它是可能的重现B3 LYP形成能的化学精度内使用轨道自由的描述符与空间范围为0.2 A。这些发现为电子交换的空间范围提供了经验性的见解,并表明卷积描述符和机器学习回归模型的组合是XC功能设计的一个有前途的新框架,尽管在获得训练数据和生成与赝势一致的模型方面仍然存在挑战。
2019-01-30 physics.chem-ph physics.comp-ph
All-electron machine-learned orbital-free density functional for periodic CHNO systems
Interdisciplinary Center for Scientific Computing (IWR), Heidelberg University(海德堡大学跨学科科学计算中心);Centre for Science at Extreme Conditions and SUPA, School of Physics and Astronomy, University of Edinburgh(爱丁堡大学物理与天文学学院极端条件科学与SUPA中心)
研究提出机器学习全电子轨道自由密度泛函STRUCTURES-P,用于周期性CHNO体系,其密度与能量误差低,可推广至大晶胞,能重现凸包顶点,为固体能量评估提供可行方案。
2026-10-14 cond-mat.mtrl-sci cs.LG physics.chem-ph
Pure density functional for strong correlations and the thermodynamic limit from machine learning
我们使用密度矩阵重整化群,应用于一维连续哈密顿模型,精确地解决了各种分离和原子数的氢原子链。我们训练和测试机器学习近似$F[n]$,电子密度泛函的通用部分,在量子化学的准确性。我们的计算(a)绕过了标准的Kohn-Sham方法,避免了寻找轨道的需要,(b)包括高度拉伸键的强相关性,没有任何特定的困难(不像所有标准的DFT近似),(c)非常准确,可以用来找到量子化学精确度的热力学极限中的能量。
2016-09-13 cond-mat.str-el physics.chem-ph physics.comp-ph
Direct Scheme Calculation of the Kinetic Energy Functional Derivative Using Machine Learning
本文提出了一种基于机器学习的动能泛函导数的直接计算方法。分别采用支持向量回归和核岭回归技术对动能泛函及其导数进行估计。即使准确性应该是一个决定性的因素,在一个现实的功能建模,我们表明,在一定程度上,它影响了模型的推广。通过选择正确的正则化项,并考虑正则化项与精度之间的合理相互作用,我们能够从经过训练以估计动能的模型中推导出泛函导数。虽然导数计算需要非常高的精度来解释动能的微小变化,但开发的估计器能够捕获电子密度的这些极小变化。这项工作致力于高效地实现无轨道密度泛函理论,因为它只采用直接计算方案
2021-03-14 physics.comp-ph
Machine Learning Universal Bosonic Functionals
单体约化密度矩阵$γ$在描述和预测玻色系统的量子特性中起着重要的作用,如玻色-爱因斯坦凝聚。最近提出的玻色子基态的约化密度矩阵泛函理论建立了一个通用的功能$\mathcal{F}[γ]$,恢复量子关联的存在。基于一种新的分解的$γ$,我们已经开发出一种方法来设计可靠的近似这样的通用功能:我们的研究结果表明,平移不变系统的约束搜索方法的功能理论可以转化为一个无约束的问题,通过参数化的欧几里德空间。这种搜索方法的简化使我们能够使用标准的机器学习方法来执行$\mathcal{F}[γ]$及其函数导数的非常有效的计算。对于玻色-哈伯德模型,我们提出了我们的方法和量子蒙特卡罗之间的比较。
2021-08-25 physics.comp-ph quant-ph
Machine Learning Time Propagators for Time-Dependent Density Functional Theory Simulations
Center for Advanced Systems Understanding(先进系统理解中心)
本文提出利用机器学习加速TDDFT模拟,通过自回归神经运算符作为时间传播器,提升计算效率和准确性,应用于激光作用下的分子模拟。
2025-12-01 cond-mat.mtrl-sci cs.LG physics.comp-ph
Machine-learning correction to density-functional crystal structure optimization
密度泛函理论通常用于预测晶体结构。最常用的交换相关泛函是Perdew-Burke-Ernzerhof(PBE)近似及其变体PBEsol。我们研究了这些泛函预测晶格参数的性能,并展示了如何使用机器学习提高其准确性。我们的数据集由无机晶体结构数据库的实验晶体结构与材料项目数据库中存储的PBE优化结构相匹配构成。我们补充这些数据与PBESol计算。我们证明了PBE/PBESol体积预测的准确性和精度可以通过采用简单,可解释的机器学习模型显着提高后验。这些模型可以改善PBE晶胞体积,以匹配PBESol计算的准确性,并将后者相对于实验的误差减少了35%。PBE晶格常数的误差减小了3 ~ 5倍。我们的方法的另一个好处是隐式修正有限的温度效应,而不执行声子计算。
2021-11-03 cond-mat.mtrl-sci physics.comp-ph
Target-Distribution-Guided Cross-Functional Fine-Tuning of Machine-Learning Interatomic Potentials
The University of Tokyo(东京大学);Japan Atomic Energy Agency(日本原子能机构)
针对跨泛函微调中配置分布不匹配问题,提出基于自学习混合蒙特卡洛的目标分布引导工作流,以金红石TiO2为测试系统将MACE-MP-0基础势微调到PBE、r²SCAN和HSE06目标泛函,显著提高了结构热力学性质的准确性。
2026-05-24 cond-mat.mtrl-sci physics.comp-ph
Decoding Energy Decomposition Analysis: Machine-Learned Insights on the Impact of the Density Functional on the Bonding Analysis
化学键的概念是化学的一个重要方面,有助于理解分子和材料的复杂性和反应性。然而,化学键的解释可能会受到理论方法和所使用的具体方法的选择的阻碍。本研究的目的是探讨选择不同的密度泛函的解释通过能量分解分析(EDA)实现的键合的效果。为了实现这一目标,创建了一个数据集,代表四个键合基团以及泛函和色散校正方案的各种组合。计算结果表明,EDA项的不同泛函之间存在显着差异,色散校正项表现出最高的可变性。通过使用无监督学习结合数据集的降维来提取更多的信息。结果表明,尽管从不同的泛函中获得的EDA术语的差异,功能具有最小的显着影响,这表明最小的影响,对键合的解释。
2023-09-15 physics.comp-ph
Comparison between Density Functional Theory and Density Functional Tight Binding approaches for finding the muon stopping site in organic molecular crystals
在晶体样品中寻找μ子可能的停止位置是μ子光谱学的一个关键问题。在以前的工作中,我们提出了一个计算方法来解决这个问题,使用密度泛函理论软件结合使用泊松球分布的随机结构搜索方法。在这项工作中,我们测试这种方法进一步将其应用到三个有机分子晶体模型系统:均四甲苯,联噻吩,和tetracyanoquinodimethane(TCNQ)。使用相同的随机结构集,我们比较了密度泛函理论软件CASTEP的性能和DFTB+提供的密度泛函紧密结合的更快的低水平近似,结合使用3 ob-3-1参数集。我们展示了这种方法的优点和局限性,我们建议使用DFTB+作为一种可行的替代方案,以更繁琐的模拟常规的选址在有机材料。最后,我们介绍了μ子光谱计算项目软件套件,这是一个Python工具库,旨在使这些方法标准化并易于使用。
2018-12-07 physics.comp-ph
Critical assessment of machine-learned repulsive potentials for the Density Functional based Tight-Binding method: a case study for pure silicon
我们研究了通过一个通用的和可转移的纯硅多体排斥势来改进半经验密度泛函紧束缚方法(DFTB)的可行性,使用一个通用的机器学习框架。原子环境中使用原子中心对称功能送入灵活的高维神经网络允许克服有限的对电位使用到现在为止,具有训练的能力,同时在各种各样的系统。我们实现了体系统的改进,具有良好的性能的能量,振动和结构特性。由于表面效应的存在,团簇的研究存在困难。为了加深讨论,我们还将这些结果与文献中的两个完全机器学习的硅数值势进行了比较。这使我们能够确定这些方法的可转移性以及缩小机器学习模型的作用以仅再现总能量的一部分的影响。
2021-12-07 cond-mat.mtrl-sci physics.comp-ph
Constraint-aware functional cloning for stable and transferable machine-learned density functional theory
Catalan Institute of Nanoscience and Nanotechnology (ICN2)(加泰罗尼亚纳米科学与技术研究所);Stony Brook University(石溪大学);The New York Academy of Sciences(纽约科学院);University of California, Irvine(加州大学尔湾分校);Centro de Física de Materiales (CFM-MPC), CSIC-UPV/EHU(材料物理中心)
本文研究了神经交换-相关功能的简单但有用的测试方法:神经模型能否在自洽情况下复现已知的交换-相关功能?通过比较约束和非约束架构,发现约束模型在分子自洽计算中更准确,且能提供更好的初始参数。
2026-05-11 physics.chem-ph physics.comp-ph
Investigating CO Adsorption on Cu(111) and Rh(111) Surfaces Using Machine Learning Exchange-Correlation Functionals
针对CO吸附难题中GGA泛函的缺陷及杂化泛函成本高的问题,本研究采用DeePKS方法训练机器学习交换关联泛函,在Cu(111)和Rh(111)表面实现了接近HSE06的吸附预测精度,为低成本高精度催化剂探索提供了新路径。
2025-07-29 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Functional minimization method addressed to the vacuum finding for an arbitrary driven quantum oscillator
对于受驱动的(含时的)量子振荡器来说,存在一个老问题:区分真正的真空态和压缩态。我们建议通过极小化包含振子势能和动能之差的泛函来寻找真真空态。分析和数值例子确认这一提议被认为是。
2008-11-05 gr-qc hep-th physics.comp-ph
Nonlocal Machine-Learned Exchange Functional for Molecules and Solids
本研究结合机器学习与物理约束,设计出兼具轨道依赖性和非局部性的低成本交换泛函,兼顾分子与固体体系的计算精度与效率,突破传统DFT的成本-精度权衡限制。
2024-08-15 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Kohn-Sham accuracy from orbital-free density functional theory via $Δ$-machine learning
提出一种基于核方法的Δ-机器学习模型,从无轨道DFT获取Kohn-Sham精度,显著提升TFW能量/力精度,优于纯Kohn-Sham MLFF,并成功应用于熔融Al0.88Si0.12结构研究。
2023-10-10 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Order-$N$ orbital-free density-functional calculations with machine learning of functional derivatives for semiconductors and metals
无轨道密度泛函理论(OFDFT)提供了一种具有挑战性的电子结构计算方法,可按$\mathcal{O}(N)$计算系统尺寸$N$。在这里,我们开发了一个计划的OFDFT计算的基础上,准确和transferable动能密度泛函(KEDF),这是创建在一个前所未有的方式使用适当构造的神经网络(NN)。我们表明,我们的OFDFT方案再现了在最先进的DFT计算中获得的电子密度,然后提供了24个不同的系统,从原子,分子,金属,半导体和离子材料的准确的结构特性。我们的KEDF的准确性和可转移性是通过我们的NN训练系统来实现的,在该系统中,使用了每个实空间网格点处的动能泛函导数(KEFD)。选择KEFD作为一组训练数据本质上是重要的,因为首先它直接出现在应该求解的欧拉方程中,其次,它的学习有助于再现表示为总能量的一阶导数的物理量。更一般地说,目前$T[ρ]$的开发是通过逐步增加$\ell_1$,在功能衍生物$δ^{\ell_1} T/δρ^{\ell_1}$方面进行系统扩展。目前在数字上的成功证明了这一方法的有效性。本OFDFT方案的计算成本确实示出了$\mathcal{O}(N)$缩放,如通过电力电子中使用的半导体SiC的计算所证明的。
2021-09-02 cond-mat.mtrl-sci physics.comp-ph
Finding discrete symmetry groups via Machine Learning
本研究提出Symmetry Seeker Neural Network机器学习方法,无需先验知识即可自动发现物理系统的离散对称群,已在数学、纳米光子学和量子化学领域验证了通用性。
2023-07-25 physics.chem-ph physics.comp-ph physics.optics
Harnessing Interpretable Machine Learning for Holistic Inverse Design of Origami
University of Michigan at Ann Arbor(密歇根大学安娜堡分校)
这项工作利用可解释的机器学习方法来解决具有挑战性的折纸启发系统的逆向设计问题。我们发现,决策树随机森林方法是特别适合的拟合折纸数据库,包含设计功能和功能性能,生成人类可理解的决策规则的逆设计的功能折纸。首先,树方法是独特的,因为它可以处理类别特征和连续特征之间复杂的相互作用,使其能够比较设计的不同折纸模式。其次,这种可解释的方法可以解决多目标问题,设计功能性折纸与多个和多物理性能指标。最后,该方法可以扩展现有的折纸形状拟合算法,考虑非几何性能。所提出的框架,使折纸整体逆向设计,考虑形状和功能,建立新的可重构结构的各种应用,如超材料,可展开结构,软机器人,生物医学设备,等等。
2022-07-18 cond-mat.soft cs.LG physics.comp-ph
Exploring Quantum-Dot Engineered Solid-State Photon Upconversion in PbS:$Yb^{3+},Er^{3+}$/CuBiO Using Density Functional Theory and Machine Learning Methods for Water Splitting
本研究结合DFT与机器学习,分析PbS:Yb³⁺,Er³⁺/CuBiO异质结构的光电催化性能,揭示其内建电场、能带优化和强光吸收协同促进高效水分解制氢。
2024-12-31 physics.comp-ph
Phase transitions in inorganic halide perovskites from machine learning potentials
本研究利用机器学习势系统分析CsPbX3无机卤化物钙钛矿的相变,发现速率低于30 K/ns且尺寸达数万原子时收敛,并评估不同泛函对相变温度和晶格参数的预测精度,为相关模拟提供指导。
2023-01-09 cond-mat.mtrl-sci physics.comp-ph
A Forecasting System of Computational Time of DFT/TDDFT Calculations under the Multiverse ansatz via Machine Learning and Cheminformatics
提出了一个顶层设计的预测系统,用于预测密度泛函理论(DFT)/含时密度泛函理论(TDDFT)计算的计算时间.计算时间被假定为分子的本征性质。基于这一假设,建立了基于化学信息学、多种机器学习(ML)模型和多元宇宙分析中多世界解释(MWI)框架的“钢筋混凝土”预测系统。在本文中,化学信息学用于识别分子的拓扑结构,ML/AI模型用于建立拓扑结构和计算成本之间的关系,MWI框架用于在DFT/TDDFT计算中保持DFT泛函和基组的各种组合。对DrugBank数据集上分子的计算结果表明:1)该方法可以定量预测计算代价,对于导数为25%的DFT/TDDFT计算,使用精确预训练的ML模型的典型平均相对误差小于0.2; 2)该方法也可以用于DFT泛函和基组的各种组合,而无需精确预训练的ML模型,而仅略微增大预测误差。
2020-12-17 cond-mat.mtrl-sci physics.comp-ph