NeuralSCF: Neural network self-consistent fields for density functional theory

Kohn-Sham密度泛函理论（KS-DFT）在准确的电子结构计算中被广泛应用。然而，特别是对于大规模模拟，它可能具有计算上的要求，这促使最近加速其机器学习（ML）的努力。我们提出了一个神经网络自洽场（NeuralSCF）框架，将Kohn-Sham密度图建立为深度学习目标，其编码了Kohn-Sham方程的力学。使用SE（3）-等变图变换器对该图进行建模，NeuralSCF模拟Kohn-Sham自洽迭代以获得电子密度，从而可以推导出其他属性。NeuralSCF在电子密度预测和推导属性方面实现了最先进的准确性，具有出色的零-shot泛化能力，可以适用于非常广泛的分布系统。NeuralSCF揭示了从KS-DFT的内在机制中学习如何显著提高模型的准确性和可转移性，为通过机械学习加速电子结构计算提供了一个有前途的基石。

本论文旨在解决Kohn-Sham密度泛函理论在大规模模拟中的计算需求，提出了一种基于神经网络的自洽场方法，即NeuralSCF，用于加速电子结构计算。

NeuralSCF的关键思路是将Kohn-Sham密度图作为深度学习目标，通过建模该图来模拟Kohn-Sham自洽迭代以获得电子密度，并从中推导出其他性质。

NeuralSCF在电子密度预测和相关性质方面实现了最先进的精度，并具有出色的零样本泛化能力。该方法揭示了从KS-DFT的内在机制中学习可以显著提高模型的准确性和可迁移性。

最近的相关研究包括使用深度学习加速电子结构计算的其他方法，如DeepMD、SchNet和ANI等。