Accurate and scalable exchange-correlation with deep learning

密度泛函理论（DFT）是预测分子和材料性质时应用最广泛的电子结构方法。虽然从原理上讲，DFT 是薛定谔方程的精确重构形式，但其实际应用依赖于对未知的交换关联（XC）泛函所做的近似处理。目前大多数 XC 泛函都是基于一套有限且日益复杂的、人工设计的特征构建而成，这些特征在提升精度的同时也牺牲了计算效率。然而，现有的任何一种近似方法都无法达到在化学精度（通常定义为误差低于 1 kcal/mol）标准下对实验进行预测建模所需的精度与普适性。本文中我们提出了一种现代基于深度学习的 XC 泛函 Skala，它跳过了昂贵的人工设计特征，直接从数据中学习表示方式。Skala 在小分子的原子化能方面达到了化学精度，同时保留了类似于半局域 DFT 的计算效率。这种性能得益于利用计算代价高昂的波函数方法生成的大规模高精度参考数据进行训练。值得注意的是，随着涵盖更多样化化学体系的额外训练数据的加入，Skala 的表现可以系统地持续提升。通过引入少量额外的、针对原子化能以外化学场景的高精度数据，Skala 在主族元素化学领域的整体表现已经可以媲美表现最佳的杂化泛函，而其计算成本仅相当于半局域 DFT。随着训练数据集的不断扩展，Skala 有望进一步增强第一性原理模拟的预测能力。

论文旨在解决密度泛函理论（DFT）中交换关联（XC）泛函近似精度不足的问题，特别是在达到化学精度（误差低于1 kcal/mol）的同时保持计算效率。这是一个长期存在的问题，当前的XC泛函在准确性和普适性方面仍有显著局限。

论文提出了一种基于深度学习的新型XC泛函Skala，通过直接从高精度波函数方法生成的数据中学习表示，绕过了传统手工设计特征的需要。相比现有方法，该方法利用现代机器学习技术自动提取特征，并在保持类似半局域DFT计算效率的同时实现更高的精度。

1. Skala在小分子原子化能上达到了化学精度。 2. 模型性能随着更多训练数据的加入而系统提升。 3. 通过引入少量特定领域的高精度数据，其表现可扩展到主族化学的一般问题，且与高性能杂化泛函相当。 4. 使用了大量高精度参考数据进行训练，展示了数据驱动方法在电子结构计算中的潜力。 5. 未来可能通过扩展训练集进一步提高预测能力，具有良好的可扩展性。

1. Deep Learning the Exchange-Correlation Functionals in Density Functional Theory (by Li et al.) 2. Machine Learning for Electronic Structure: A Case Study of Exchange-Correlation Functionals 3. Ab initio machine learning for electronic structure calculations 4. Neural Network Functionals as Universal Approximators in DFT 5. Towards more accurate exchange-correlation functionals by fitting to high-level ab initio data