[論文レビュー] V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction

Yingdi Jin, Xinming Qin+4 more|arXiv (Cornell University)|Mar 13, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

V2Rho-FNO は3D フーリエニューラルオペレーターを用いて外部ポテンシャルから密度へのマッピングを学習し、未知システムやグリッドサイズの再学習なしの転送に対するゼロショット一般化を可能にします。

ABSTRACT

Density functional theory (DFT) is a cornerstone of computational chemistry and materials science, but its computational cost limits its use in large-scale and high-throughput applications. While machine learning has accelerated energy prediction for specific molecular classes, transferable prediction of electron density across diverse chemical spaces remains challenging. Here, we present a universal framework based on Fourier Neural Operators (FNOs) that directly learns the mapping from external potentials to electron density distributions. Unlike conventional approaches that rely on explicit atomic orbitals, basis sets, or handcrafted descriptors, the proposed method captures global electronic interactions and long-range correlations through operator learning in the spatial-frequency domain. Trained on datasets spanning multiple elements and molecular geometries, the model achieves zero-shot generalization to entirely unseen molecular systems and accurately predicts their electron densities without retraining. This transferability arises from the intrinsic ability of FNOs to represent global structure in continuous fields. Our work establishes neural operator learning as a promising route for fast, accurate, and transferable electronic structure prediction, with potential applications in high-throughput screening and chemical space exploration.

研究の動機と目的

• DFT/DFT類似フレームワーク内で高速で転送可能な電子密度予測を動機づける。
• 密度–ポテンシャルのマッピングをホーエンバーグ–コーンの定理に沿った場対場のオペレーター学習問題として位置づける。
• 外部ポテンシャル上の一様格子で基底状態の電子密度を予測する3Dフーリエニューラルオペレーターを開発する。
• 多様な化学空間を横断する未知分子システムへのゼロショット転送性を実証する。

提案手法

• HKマップを場対場のオペレーター G: V_ext(r) → ρ(r)として形式化する。
• オペレーターを近似するために3Dフーリエニューラルオペレーター（FNO）を用い、離散不変性を実現する。
• 入力 V_ext は遮蔽された実空間イオンポテンシャル場であり、出力は格子上の ρ。
• 三段階のFNOを採用する：入力リフティング、低周波スペクトル混合を伴うスタックドフーリエ層、密度への出力射影。
• 残差構造を維持し、最終活性化によって密度の非負性を保証する。
• 多様なデータセットで訓練し、ゼロショット一般化と解像度転送をテストする。

Figure 1: H2O correlation analysis.

実験結果

リサーチクエスチョン

• RQ1 V2Rho-FNO は全く未知の分子系に対してゼロショットで一般化し、電子密度を正確に予測できるか。
• RQ2 オペレーター学習フレームワークは異なる分子配置や化学元素間の転送を可能にするか。
• RQ3 学習したオペレーターは再学習なしで異なる空間解像度間の予測を転送できるか。
• RQ4 外部ポテンシャル場入力の役割は物理的忠実性と転送性の達成にどのように寄与するか。

主な発見

• モデルは未知の分子系に対してゼロショット一般化を達成し、密度を正確に予測する。
• 一般化は軌道補間からランダム分子一般化へ、さらに元素レベル外挿へと難易度が上がるにつれて改善する。
• スペクトルゼロパディングによる解像度転送は、中程度の解像度で訓練した場合に物理的に一貫した高解像度密度を生み出す。
• 離散化不変なオペレーター学習により、再学習なしで異なる解像度の格子上で評価できる。

Figure 2: Bonding environments extrapolation: training on the first 5,000 molecules from QM9, and evaluation on molecules whose local bonding environments are not present in the training set, followed by correlation and error analysis between predicted densities and DFT-calculated densities.