[论文解读] Deep neural network for Wannier function centers

Linfeng Zhang, Mohan Chen+4 more|arXiv (Cornell University)|Jun 27, 2019

Spectroscopy and Quantum Chemical Studies被引用 2

一句话总结

该论文提出一种深度神经网络（DNN）模型，用于预测分子动力学轨迹中最大局域化Wannier函数的中心，从而在使用深度势能分子动力学时，实现对绝缘体介电性质的精确预测。该方法在杂化泛函水平下，对轻水和重水的红外光谱预测与实验结果高度一致，且可扩展至其他光谱学方法，如拉曼光谱和和频生成光谱。

ABSTRACT

We introduce a deep neural network (DNN) model that assigns the position of the centers of the electronic charge in each atomic configuration on a molecular dynamics trajectory. The electronic centers are uniquely specified by the unitary transformation that maps the occupied eigenstates onto maximally localized Wannier functions. In combination with deep potential molecular dynamics, a DNN approach to represent the potential energy surface of a multi-atom system at the ab-initio density functional level of theory, the scheme makes possible to predict the dielectric properties of insulators using samples and trajectories inaccessible to direct ab-initio molecular dynamics simulation, while retaining the accuracy of that approach. As an example, we report calculations of the infrared absorption spectra of light and heavy water at a dispersion inclusive hybrid functional level of theory, finding good agreement with experiment. Extensions to other spectroscopies, like Raman and sum frequency generation, are discussed.

研究动机与目标

• 通过分子动力学轨迹实现对绝缘体介电性质的精确预测，这些轨迹规模过大，无法进行直接从头算模拟。
• 克服在大规模系统中从头算水平计算Wannier函数中心的计算成本。
• 将Wannier函数中心预测集成到深度势能分子动力学框架中，实现可扩展且精确的模拟。
• 将该框架扩展至预测多种光谱响应，包括红外、拉曼和和频生成光谱。
• 通过利用将占据本征态映射到最大局域化Wannier函数的酉变换，保持高精度。

提出的方法

• 训练深度神经网络，基于分子动力学轨迹中的原子构型预测Wannier函数中心的位置。
• 利用占据Kohn-Sham态与最大局域化Wannier函数之间的酉变换，定义DNN的目标。
• 将DNN预测的Wannier中心集成到深度势能分子动力学框架中，用于势能面表示。
• 在包含色散修正的杂化泛函理论水平下应用该方案，以保证电子结构精度。
• 从Wannier中心导出的时间依赖极化计算介电响应函数，如红外吸收光谱。
• 通过从相同Wannier中心轨迹计算相关响应函数，将该方法扩展至其他光谱学。

实验结果

研究问题

• RQ1 深度神经网络能否在从头算计算不可行的大规模分子动力学轨迹中准确预测Wannier函数中心？
• RQ2 与直接从头算方法相比，基于DNN的Wannier函数中心预测在介电性质计算中能保持多大程度的准确性？
• RQ3 该框架能否扩展至预测多种光谱响应，如拉曼和和频生成光谱？
• RQ4 该方法在再现典型绝缘体（如水）的实验红外吸收光谱方面表现如何？
• RQ5 与深度势能分子动力学的集成是否保持了底层电子结构理论的精度？

主要发现

• DNN模型成功预测了大规模分子动力学轨迹中的Wannier函数中心，使得原本计算上不可行的介电性质计算成为可能。
• 在包含色散修正的杂化泛函水平下，轻水和重水的预测红外吸收光谱与实验数据高度一致。
• 该方法在保持从头算密度泛函理论精度的同时，通过深度势能分子动力学实现对更大体系和更长轨迹的可扩展性。
• 通过从Wannier中心轨迹计算适当的响应函数，该框架可推广至其他光谱学，包括拉曼和和频生成光谱。
• 从Kohn-Sham态到最大局域化Wannier函数的酉变换，为DNN训练提供了稳健且唯一的参考。
• 该方法使在以往无法实现的现实模拟条件下，研究复杂体系（如水）的介电响应成为可能。