[论文解读] By-passing the Kohn-Sham equations with machine learning

Felix Brockherde, Vogt, Leslie+4 more|arXiv (Cornell University)|Sep 9, 2016

Machine Learning in Materials Science被引用 3

一句话总结

该论文提出了一种机器学习方法，通过直接从外势能学习Hohenberg-Kohn映射（从外势能到基态电子密度），绕过了Kohn-Sham方程，实现了高精度与更低的计算成本。该方法可对多种几何构型的分子体系实现快速、精确的能量预测，展示了在量子化学中的直接应用潜力，且仅需极少的训练数据，无需计算泛函导数。

ABSTRACT

Last year, at least 30,000 scientific papers used the Kohn-Sham scheme of density functional theory to solve electronic structure problems in a wide variety of scientific fields, ranging from materials science to biochemistry to astrophysics. Machine learning holds the promise of learning the kinetic energy functional via examples, by-passing the need to solve the Kohn-Sham equations. This should yield substantial savings in computer time, allowing either larger systems or longer time-scales to be tackled, but attempts to machine-learn this functional have been limited by the need to find its derivative. The present work overcomes this difficulty by directly learning the density-potential and energy-density maps for test systems and various molecules. Both improved accuracy and lower computational cost with this method are demonstrated by reproducing DFT energies for a range of molecular geometries generated during molecular dynamics simulations. Moreover, the methodology could be applied directly to quantum chemical calculations, allowing construction of density functionals of quantum-chemical accuracy.

研究动机与目标

• 通过用机器学习模型替代求解Kohn-Sham方程，克服密度泛函理论（DFT）中求解Kohn-Sham方程带来的计算瓶颈。
• 消除对泛函导数计算的需求，这一需求历史上限制了机器学习方法在非相互作用动能泛函中的应用。
• 开发一种从外势能到电子密度的直接、可微分映射，实现无需迭代自洽计算的精确能量预测。
• 通过在多种分子构象中高精度重现DFT能量，证明该方法在量子化学计算中的可行性。
• 通过降低计算成本并保持化学精度，实现大规模电子结构计算。

提出的方法

• 该方法直接从外势能 $ \mathbf{v}(\mathbf{r}) $ 学习Hohenberg-Kohn（HK）映射 $ n[\mathbf{v}] $ 到基态电子密度 $ n(\mathbf{r}) $，绕过Kohn-Sham方程。
• 在来自多样化分子几何构型（包括分子动力学模拟中的构象异构体）的DFT计算密度和能量数据上训练基于核的机器学习模型。
• 采用带有高斯核的正则化最小二乘回归框架，将势能输入映射到密度输出，以最小化泛化误差。
• 通过使用预测密度评估总能量泛函 $ E[n] $ 获得能量预测，避免求解Kohn-Sham方程。
• 在Quantum Espresso框架中实现该方法，采用PBE泛函，实现与标准DFT工作流的直接集成。
• 在训练数据上进行交叉验证和超参数调优，以确保对未见构型的鲁棒性和泛化能力。

实验结果

研究问题

• RQ1 机器学习模型是否能在不求解Kohn-Sham方程的情况下，准确地从外势能预测电子密度？
• RQ2 在动能泛函中绕过泛函导数计算，是否能显著降低计算成本，同时保持精度？
• RQ3 所学习的HK映射是否能以化学精度在多种几何构型下重现分子体系的DFT能量？
• RQ4 ML-HK模型是否适用于标准量子化学计算，如分子动力学和几何优化？
• RQ5 该模型是否能通过为不同分子和构象生成精确密度，区分不同的DFT泛函？

主要发现

• ML-HK模型的能量预测精度与标准DFT泛函相当，与FCI和CCSD(T)基准对比，H₂和H₂O的相对误差低于1 mHartree。
• 该方法通过避免迭代自洽循环，显著降低了计算成本，实现了无需牺牲精度的快速能量评估。
• 模型成功重现了苯、乙烷和丙二醛在多个构象下的DFT能量，经与从头算分子动力学模拟对比验证。
• ML-HK映射可生成足够精确的密度，以区分不同DFT泛函，具有在泛函开发中应用的潜力。
• 该方法已成功集成至使用Quantum Espresso的标准量子化学工作流中，并在最多含100个原子的体系上完成验证。
• 在使用有限差分力的分子动力学模拟中，模型保持了能量守恒，1 ps模拟时间内轨迹稳定。