发表机构
University of British Columbia; NVIDIA; Max Planck Institute for Polymer Research; University of Cambridge（不列颠哥伦比亚大学; 英伟达; 马克斯·普朗克聚合物研究所; 剑桥大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究针对DFT-D3色散校正添加到MLFFs中时因环境依赖系数破坏可分离性致计算变慢的问题，提出FourierD3方法，通过泛函低秩分解恢复可分离性，实现$O(N\log N)$时间的粒子网格评估。
AI 中文摘要
DFT-D3色散校正通常被添加到基于诸如PBE等缺乏色散作用的泛函训练的机器学习力场（MLFFs）中。然而，其依赖环境的对系数破坏了快速求和方法所需的以原子为中心的可分离性。我们引入了FourierD3方法，它使用泛函低秩分解来恢复这种可分离性，并能在不进行色散和的实空间截断的情况下，以$O(N\log N)$时间进行粒子网格评估。
英文摘要
The DFT-D3 dispersion correction is routinely added to machine learning force fields (MLFFs) trained on dispersion-deficient functionals such as PBE. Its environment-dependent pair coefficients, however, break the atom-centered separability that fast summation methods require, forcing practitioners either to truncate D3 or to accept a substantial slowdown. We introduce FourierD3, a method that uses a functional low-rank decomposition to restore this separability and enable particle-mesh evaluation in $O(N\log N)$ time without a real-space cutoff on the dispersion sum.
