15、机器学习助力静态与动态电子结构理论

机器学习助力静态与动态电子结构理论

1. 引言

化学和材料科学的发展越来越依赖于基于电子结构理论计算的研究。这些计算能让我们从量子力学的微观层面理解物质，原则上无需任何经验输入。高性能计算推动了电子结构计算的应用，使大规模计算研究成为可能。然而，对精确第一性原理数据的需求不断增加，即使是最有效的模拟代码也难以满足。

与此同时，数据驱动的机器学习方法在多个研究领域迅速发展。这些方法在加速、替代或改进传统电子结构理论方法方面的重要性日益凸显。近年来，将机器学习技术与电子结构理论相结合已成为一个活跃的研究领域。

机器学习在电子结构理论中的应用主要包括以下几个方面：
- 预测化学和材料性质 ：如寻找化学反应的新型催化剂、新型材料（包括用于光伏应用的未探索材料），预测弹性和结构性质、量子化学性质（如极化率和键解离能）、输运和扩散性质、表面能和磁性质等。
- 开发原子间势 ：用于将原子位置映射到势能面，例如神经网络势、高斯近似势、相关光谱邻域分析势和矩张量势等。
- 解决电子结构问题 ：包括机器学习驱动的动能和交换 - 关联近似、态密度预测、电子密度预测和局部态密度预测等。
- 其他工作流程 ：如生成具有特定性质的分子、作为复杂统计框架的一部分以及预测稳定从头算计算的超参数等。

接下来，我们将探讨将最广泛使用的电子结构方法——密度泛函理论与机器学习相结合的实用性。首先，我们将简要介绍电子结构理论，重点是密度泛函理论，然后介绍机器学习的基本概念，最后展示基于机器学习的替代建模工作流程，