[论文解读] Completing density functional theory by machine-learning hidden messages from molecules

Ryo Nagai, Ryosuke Akashi+1 more|arXiv (Cornell University)|Mar 1, 2019

Machine Learning in Materials ScienceMaterials Science参考文献 35被引用 17

一句话总结

本文提出一种机器学习方法，直接从分子电子结构数据库构建Kohn-Sham密度泛函理论（KS-DFT）交换-关联泛函，采用前馈神经网络，通过训练将电子密度及其描述符映射到精确的能量和势能。令人惊讶的是，仅用少数分子进行训练的泛函即可在数百种体系中实现可转移的高精度，且通过网络架构可轻松整合非定域项，突破了传统理论的限制。

ABSTRACT

Kohn-Sham density functional theory is the base of modern computational approaches to electronic structures. Their accuracy vitally relies on the exchange-correlation energy functional, which encapsulates electron-electron interaction beyond the classical one. The functional provides a way to obtain the density and energy without solving the many-body equation and can, in principle, be determined to reproduce the exact ones universally. However, the past approaches are dependent on the theoretical development, which limits the possibility of the functional to human's intuition. Here, we demonstrate a systematic way to machine-learn a functional from a database, without complicated assumptions. The density and energy are related with a flexible feed-forward neural network, which is trained to reproduce accurate dataset, and the KS-DFT is solved by taking the functional derivatives with the back-propagation technique. Surprisingly, a trial functional, trained for just a few molecules, has been shown to be applicable to hundreds of molecular systems with comparable accuracy to the standard functionals. Also, by adding the nodes connected to the hidden layers, a non-local term is straightforwardly included to improve accuracy, which has been hitherto impractically difficult. Utilizing the strategy of rapidly advancing machine learning techniques, this novel approach is expected to enrich the DFT framework by constructing a functional just from a database for materials conventionally difficult to calculate accurately.

研究动机与目标

• 开发一种系统性、数据驱动的方法，构建Kohn-Sham DFT交换-关联泛函，无需依赖理论近似。
• 克服传统泛函依赖人类直觉和启发式推导所带来的局限性。
• 通过灵活的神经网络架构，实现非定域效应在泛函中的自然引入。
• 仅使用极少的训练数据，即在总能量和电子密度预测中实现高精度。
• 展示训练所得泛函在训练集之外的多样化分子体系中的可转移性。

提出的方法

• 前馈神经网络将局部和非局部密度描述符（如 n(r), ∇n(r), τ(r)）映射到交换-关联能密度 εxc(g[n](r))。
• 通过反向传播计算泛函导数 δE_xc/δn(r)，获得求解Kohn-Sham方程所需的xc势 V_xc(r)。
• 通过平衡原子化能（G2基准）和电子密度（CCSD参考）的误差来构建损失函数，指导训练过程。
• 通过类似蒙特卡洛的随机优化算法，结合温度和权重扰动，确保收敛至低误差解。
• 神经网络在分子数据集（H2O、NH3、NO）上进行训练，使用DFT和CCSD参考数据，初始密度猜测基于原子叠加。
• 通过在隐藏层中增加节点，可无缝集成非局部项，实现泛函的系统性改进。

实验结果

研究问题

• RQ1 在仅包含少量分子的模型上进行训练，是否能实现对数百种多样化分子体系的高精度泛化？
• RQ2 基于神经网络的泛函是否能在不依赖理论推导的情况下，实现与标准DFT泛函相当或更优的精度？
• RQ3 是否可以通过架构设计而非解析构造，将非定域效应有效整合到xc泛函中？
• RQ4 是否可以仅基于能量和密度误差直接训练泛函，而无需事先知道xc势的泛函形式？
• RQ5 与传统泛函相比，该机器学习衍生泛函在预测总能量和电子密度方面的性能如何？

主要发现

• 仅在三个分子（H2O、NH3、NO）上训练的基于神经网络的泛函，即可在数百种分子体系中实现可转移的高精度，其在能量和电子密度预测方面达到或超过标准泛函的性能。
• 在测试集上，原子化能的平均绝对误差为0.004 hartree，电子密度误差（Δn_CCSD）的归一化L2范数为0.0028。
• 通过在隐藏层中增加节点以引入非局部项，显著提升了精度，证明了通往高级泛函的实用路径。
• 该方法成功以高保真度重现了精确的电子密度和总能量，即使对于训练集中未包含的体系亦然。
• 训练所得的神经网络参数已公开发布，可无缝集成至PySCF等现有DFT代码中。
• 该方法避免了理论假设或微扰展开的依赖，完全基于数据驱动的优化。