Determination of the Electric Dipole Moment of a Molecule from Density Functional Theory Calculations
密度泛函理论（DFT）计算作为一种能够预测凝聚态系统重要物理和化学性质的工具已经取得了巨大的成功。我们计算的电偶极矩的分子通过使用相对于自由原子的叠加电子密度的微分电子密度，利用DFT误差的抵消。我们对一系列分子的研究结果与实验结果吻合得很好。
2019-03-11 physics.atm-clus physics.chem-ph physics.comp-ph
DFT calculations of atoms and molecules in Cartesian grids
密度泛函理论（DFT）是近四十年来多电子体系电子结构计算中最通用和最有价值的方法之一。在这里，我们给出了一个发展的变分DFT方法的原子和分子\emph{completely}在笛卡尔网格。用LCAO-MO方法求解了非相对论性Kohn-Sham方程。原子中心定域基组、电子密度、分子轨道、两体势直接在网格上构造。我们采用傅里叶卷积方法的经典库仑势的Ewald型分解技术的短期和长期的相互作用。它产生相当准确和有竞争力的结果，为各种感兴趣的属性，如组分能量，总能量，电离能，势能曲线，原子化能，等本地和非本地泛函采用赝势以及充分的计算。虽然大多数结果都是在\emph{uniform}网格中提供的，但最初的探索性尝试是在\emph{non-uniform}网格中进行的，这可以显著降低计算开销。这提供了一个实际的，可行的替代原子为中心的基于网格的实现，目前利用的大多数程序在世界范围内。
2019-04-18 physics.chem-ph physics.comp-ph quant-ph
XDFT: an efficient first-principles method for neutral excitations in molecules
用于计算中性激发能的现有技术的方法通常是苛刻的并且限于单个电子-空穴对及其复合等离子体。在这里，我们介绍激子密度泛函理论（XDFT）的计算轻，普遍适用的，第一性原理技术计算中性激发的基础上广义约束DFT。为了模拟N电子系统的M粒子激发态，XDFT自动优化约束势，将N-M电子限制在基态Kohn-Sham价子空间内。通过计算著名的Thiel分子测试集的最低单粒子单重态和三重态激发能，我们证明了XDFT的有效性，其结果与含时DFT非常一致。此外，超越绝热含时DFT的能力，我们表明XDFT可以成功地捕获双激发。总的来说，我们的方法使光学间隙，激发绑定和振荡器的强度容易获得的计算成本与标准DFT。因此，XDFT似乎是在高吞吐量发现框架和大型系统的线性缩放方法中工作的理想候选者。
2018-03-04 cond-mat.mtrl-sci physics.atm-clus physics.chem-ph
Efficient first-principles modeling of complex molecular crystals at sub-chemical accuracy
Flatiron Institute（平顿研究所）；University of Chicago（芝加哥大学）；University of Washington（华盛顿大学）；University of Cambridge（剑桥大学）；University College London（伦敦大学学院）；Università di Napoli Federico II（那不勒斯费德里科二世大学）；Budapest University of Technology and Economics（布达佩斯技术与经济大学）
本文提出一种结合相关波函数理论和多体展开的高效框架，实现复杂分子晶体的亚化学精度预测，提升高通量筛选效率。
2026-03-02 cond-mat.mtrl-sci physics.chem-ph 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
Physical machine learning outperforms "human learning" in Quantum Chemistry
两种类型的方法来模拟分子系统已被证明具有很高的实用效率。密度泛函理论（DFT）是一种预测分子能量和电子密度的物理方法，是应用最广泛的量子化学方法。最近，许多关于分子性质的机器学习（ML）的论文也已发表。ML模型在计算成本方面大大优于DFT，甚至可能达到相当的精度，但它们缺少物理性-与量子物理学的直接联系-这限制了它们的适用性。在这里，我们提出了一种方法，结合了DFT和ML的强侧，即物理性和低计算成本。通过推广著名的Hohenberg-Kohn定理，我们导出了精确电子密度和能量的一般方程，这些方程可以自然地指导ML在量子化学中的应用。基于这些方程，我们构建了一个深度神经网络，它可以计算各种有机分子的电子密度和能量，不仅速度更快，而且比当前版本的DFT更接近精确的物理值。特别是，我们达到了一个平均绝对误差的能量与多达8个非氢原子低至0.9千卡/摩尔相对于CCSD（T）值，明显低于DFT（低至~3千卡/摩尔的同一组分子）和ML（低至~1.5千卡/摩尔）的方法。电子密度和能量的预测精度的同时提高表明，所提出的方法描述的物理分子比DFT泛函开发的“人类学习”更早。因此，基于物理学的机器学习提供了令人兴奋的机会，可以以高理论水平的量子化学准确性对比目前可能的更大的分子系统进行建模。
2020-02-28 physics.chem-ph physics.comp-ph
A Journey with THeSeuSS: Automated Python Tool for Modeling IR and Raman Vibrational Spectra of Molecules and Solids
本文介绍自动化Python平台THeSeuSS，基于DFT和DFTB模拟周期与非周期体系的IR及拉曼光谱，并通过多类分子和固体基准验证其准确性与易用性。
2024-09-10 cond-mat.mtrl-sci physics.comp-ph
Equivariant graph neural networks for fast electron density estimation of molecules, liquids, and solids
电子密度$ρ(\vec{r})$是密度泛函理论计算基态能量的基本变量。除了总能量，$ρ(\vec{r})$分布的特征和变化通常用于捕获功能材料中的关键物理化学现象。我们提出了一个机器学习框架的预测$ρ(\vec{r})$。该模型是基于等变图神经网络和电子密度的预测在特殊的查询点的顶点，是消息传递图的一部分，但只接收消息。该模型在分子（QM 9）、液体碳酸乙烯酯电解质（EC）和LixNiyMnzCo（1-y-z）O2锂离子电池阴极（NMC）的多个数据集上进行了测试。对于QM 9分子，所提出的模型的准确性超过了典型的变化$ρ(\vec{r})$从DFT完成与不同的交换相关泛函。所有三个数据集的精度都超出了最先进的水平，计算时间比DFT快几个数量级。
2022-08-29 physics.comp-ph stat.ML
Ab Initio Study of Different Acid Molecules Interacting with H2O
用Gaussian-03从头计算方法研究了不同酸分子与单个水分子的相互作用。采用B3 LYP杂化势和Moeller-Plesset二阶微扰理论，在Aug-cc-pVDZ质量基组和CRENBL ECP有效核势下，用密度泛函理论（DFT）方法计算了含重碘分子的分子和超分子优化结构.研究的酸和超分子，酸分子与一个单一的水分子耦合组成的可能的异构体，示出。计算了理论方法的能量、零点能、热焓、自由能以及相应的结合能。结果发现，优化结构的超分子异构体的最低能量对应于全球最低的势能面可以是不同的两种理论。最简单的结构酸H2S和H2Se，形成酸-水超分子，可以给出关于最低能量结构优化的两种理论方法不一致的明确证据，因为B3 LYP-DFT方法给出了第一种超分子异构体的最低能量结构，但MP2方法给出了第二种可能的异构体。发现两种理论用于H2SO 3-H2O超分子异构体优化结构发现的势能面之间存在显著差异，这是因为相应的B3 LYP-DFT超分子异构体不存在MP2超分子几何构型，并计算了超分子异构体的频率特性. MP2方法的结合能和ZPE比B3 LYP-DFT方法的结合能和ZPE大10-15%。
2008-02-05 physics.atm-clus physics.bio-ph physics.chem-ph
Quantum HF/DFT-Embedding Algorithms for Electronic Structure Calculations: Scaling up to Complex Molecular Systems
在不久的将来，材料和药物设计可能会得到量子计算机辅助模拟的帮助。这些有可能针对最强大的经典计算机无法处理的化学系统。然而，当代量子计算机提供的资源仍然有限，将化学模拟限制在非常简单的分子上。为了快速扩展到更有趣的分子系统，我们建议嵌入的量子电子结构计算到一个经典的计算环境中获得的Hartree-Fock（HF）或密度泛函理论（DFT）的理论水平。我们实现这一点，通过构建一个有效的哈密顿量，其中包括一个平均场电位描述的行动上选定的活性空间（AS）的非活性电子。利用变分量子本征求解器（VQE）算法确定了AS哈密顿量的基态。与建议的迭代DFT嵌入方案，我们能够获得一个单一的吡啶分子，优于完全活性空间自洽场（CASSCF）的结果，无论选择的AS的能量校正项。
2020-09-03 physics.chem-ph physics.comp-ph quant-ph
Stretching bonds in Density Functional Theory without artificial symmetry breaking
针对KS-DFT中为获得化学准确能量而破缺对称性的困境，本文提出以片段自旋密度为变量的嵌入框架及重叠近似，显著改进拉伸分子的半局域结合能。
2023-05-22 physics.chem-ph physics.comp-ph
Ab initio study of acid molecules interacting with H2O
采用Gaussian-03从头计算方法，研究了各种酸分子与单个水分子的相互作用。采用B3 LYP杂化势（B3 LYP-hybrid potential）的密度泛函理论（DFT）方法，以及Møller-Plesset二阶微扰理论（采用aug-cc-pVDZ质量基组和CRENBL ECP有效核势）对含重碘分子进行了分子和超分子优化.研究的酸和超分子组成的酸分子与一个单一的水分子的可能的异构体显示。能量，零点能（ZPE），热焓，热自由能，以及相应的结合能的理论方法进行了计算。结果还发现，优化结构的超分子异构体的最低能量对应于全球最低的势能面可以是不同的两种理论。结构最简单的酸H2S和H2Se，形成酸-水超分子，可以清楚地证明两种理论方法关于最低能量结构优化的不一致，因为B3 LYP-DFT方法给出了第一种超分子异构体的最低能量结构，而MP2方法给出了第二种可能的异构体的最低能量结构。在计算H2SO 3 -H2O超分子异构体的频率特性时，发现两种理论的势能面有很大的差异，因为相应的B3 LYP-DFT超分子构型不存在MP2超分子构型. ......
2018-04-13 physics.chem-ph physics.comp-ph
Multi-task learning for molecular electronic structure approaching coupled-cluster accuracy
Massachusetts Institute of Technology（麻省理工学院）；Honda Research Institute USA, Inc.（美国本田研究院）；Emory University（埃默里大学）
本研究提出一种基于金标准CCSD(T)数据训练的统一机器学习方法，用于有机分子电子结构预测，在精度和计算成本上超越DFT，并成功应用于复杂系统的基态与激发态性质预测。
2024-06-24 cond-mat.mtrl-sci cs.AI cs.CE
GEOM: Energy-annotated molecular conformations for property prediction and molecular generation
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
机器学习（ML）在许多分子设计任务中优于传统方法。ML模型通常从2D化学图或单个3D结构预测分子性质，但这些表示都不能解释分子可访问的3D构象的集合。属性预测可以通过使用构象集合作为输入来改进，但是没有包含用准确构象和实验数据注释的图的大规模数据集。在这里，我们使用先进的采样和半经验密度泛函理论（DFT），以产生超过45万个分子的3700万个分子构象。分子几何包容（GEOM）数据集包含来自QM 9的133，000个物种的构象异构体，以及与生物物理学，生理学和物理化学相关的实验数据的317，000个物种。具有BACE-1抑制数据的1，511个物种的系综也在隐式水溶剂中用高质量DFT自由能标记，并且534个系综用DFT进一步优化。GEOM将协助开发预测构象集合属性的模型，以及对3D构象进行采样的生成模型。
2022-02-09 cs.LG physics.comp-ph
A Scalable Molecular Force Field Parameterization Method Based on Density Functional Theory and Quantum-Level Machine Learning
快速准确的分子力场参数化是一个尚未解决的问题。准确的FF通常不适用于所有分子，如新型药物样分子。虽然存在基于量子力学（QM）的方法来以更好的精度对它们进行参数化，但它们在计算上昂贵且缓慢，这限制了对少量分子的适用性。在这里，我们提出了一个自动FF参数化方法，它可以利用DFT计算或近似QM能量产生不同的神经网络电位（NNPs），以获得改进的分子参数。我们证明，对于torchani-ANI-1x NNP的情况下，我们可以参数化的小分子在一小部分的时间相比，使用DFT QM计算的等效参数化，同时产生更准确的参数比FF（GAFF 2）。我们希望我们的方法是至关重要的计算结构为基础的药物发现。当前版本可在PlayMolecule（www.playmolecule.org）上获得，并在HTMD中实现，允许使用不同的QM和NNP选项对分子进行参数化。
2019-08-03 physics.bio-ph physics.chem-ph physics.comp-ph
