[논문 리뷰] V2Rho-FNO: Fourier Neural Operator for Electronic Density Prediction

Yingdi Jin, Xinming Qin외 4명|arXiv (Cornell University)|2026. 03. 13.

Machine Learning in Materials Science인용 수 0

한 줄 요약

V2Rho-FNO는 외부 포텐셜-밀도 매핑을 학습하기 위해 3D Fourier 신경 연산자(FNO)를 사용하여 retraining 없이 보지 못한 시스템에 대한 제로샷 일반화와 그리드 크기 전이를 가능하게 한다.

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.

연구 동기 및 목표

• DFT/유사 프레임워크 내에서 빠르고 전이 가능한 전자 밀도 예측을 촉진한다.
• 밀도–포텐셜 매핑을 Hohenberg–Kohn 정리에 정렬된 필드-대-필드 연산자 학습 문제로 정의한다.
• 균일 격자에서 외부 포텐셜로부터 기저 상태 전자 밀도를 예측하는 3D Fourier 신경 연산자를 개발한다.
• 다양한 화학 공간에 걸쳐 보지 못한 분자 시스템에 대한 제로샷 전이 가능성을 입증한다.

제안 방법

• HK 맵을 필드-대-필드 연산자 G: V_ext(r) → ρ(r)로 형식화한다.
• 연산자를 근사하기 위해 3D Fourier 신경 연산자(FNO)를 사용하여 이산화 불변성을 가능하게 한다.
• 입력 V_ext는 차폐된 실공간 이온 포텐셜 필드이며; 출력은 격자상의 ρ다.
• 세 단계 FNO를 적용: 입력 리프팅, 저주파 스펙트럴 혼합이 있는 다층 Fourier 레이어, 그리고 밀도로의 출력 투영.
• 잔차 구조를 유지하고 마지막 활성화를 통해 밀도의 비음수성을 보장한다.
• 다양한 데이터 세트에서 학습하고 제로샷 일반화 및 해상도 전이에서 테스트한다.

Figure 1: H2O correlation analysis.

실험 결과

연구 질문

• RQ1 V2Rho-FNO가 완전히 보지 못한 분자 시스템에 대해 제로샷으로 일반화하면서 정확한 전자 밀도를 예측할 수 있는가?
• RQ2 연산자 학습 프레임워크가 서로 다른 분자 구성 및 화학 원소 간의 전이 가능성을 제공하는가?
• RQ3 학습된 연산자가 재학습 없이 서로 다른 공간 해상도에서 예측을 전이할 수 있는가?
• RQ4 물리적 타당성과 전이 가능성을 달성하는 데 있어 외부 포텐셜 필드 입력의 역할은 무엇인가?

주요 결과

• 모델은 미지의 분자 시스템에 대한 제로샷 일반화를 달성하고 밀도를 정확하게 예측한다.
• 일련의 일반화는 궤적 보간에서 임의의 분자 일반화, 원소 수준 외삽으로 점차 어려움이 증가한다.
• 스펙트럴 제로 패딩을 통한 해상도 전이를 통해 보통 해상도에서 학습했을 때 물리적으로 일관된 고해상도 밀도를 얻는다.
• 이산화 불변 연산자 학습은 재학습 없이 서로 다른 해상도의 격자에서 평가를 가능하게 한다.

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.