[论文解读] Machine Learning approaches to classical density functional theory

A. Simon, Martin Oettel|arXiv (Cornell University)|Jun 11, 2024

History and advancements in chemistryChemistry被引用 3

一句话总结

本文探讨了利用机器学习（ML）技术从模拟数据中构建和改进经典密度泛函理论（cDFT）的自由能泛函，绕过传统的基于物理的推导过程。结果表明，ML模型——尤其是神经网络——能够以高精度准确学习泛函映射（例如，密度到过剩自由能或外势），即使在存在精确解的1D系统中亦然，并为将这些方法扩展至复杂的3D系统和非平衡动力学提供了路径。

ABSTRACT

In this chapter, we discuss recent advances and new opportunities through methods of machine learning for the field of classical density functional theory, dealing with the equilibrium properties of thermal nano- and micro-particle systems having classical interactions. Machine learning methods offer the great potential to construct and/or improve the free energy functional (the central object of density functional theory) from simulation data and thus they complement traditional physics- or intuition-based approaches to the free energy construction. We also give an outlook to machine learning efforts in related fields, such as liquid state theory, electron density functional theory and power functional theory as a functionally formulated approach to classical nonequilibrium systems.

研究动机与目标

• 解决在具有复杂相互作用的现实多体系统中构建精确自由能泛函的挑战，这在经典密度泛函理论（cDFT）中仍具难度。
• 通过利用模拟数据作为机器学习的“真实值”，克服传统依赖直觉或物理原理的泛函构建方法的局限性。
• 开发可解释且可微分的机器学习模型，实现从粒子密度到cDFT关键量（如过剩自由能泛函或外势）的映射。
• 通过为稳态电流驱动系统制定动态泛函，将基于机器学习的cDFT扩展至非平衡系统。
• 探索ML增强的cDFT与电子DFT及功率泛函理论等相关领域的概念与方法论上的相似性。

提出的方法

• 使用监督机器学习方法，直接从粒子密度及其对应自由能值的模拟数据中参数化过剩自由能泛函 $\mathcal{F}_{\text{ex}}[\rho]$。
• 训练神经网络以通过 $c_1[\rho]$ 表示学习泛函导数 $-\beta \delta \mathcal{F}_{\text{ex}} / \delta \rho$，从而实现可微分且可逆的映射。
• 应用 $c_2$ 匹配技术，从未均径分布函数中学习直接关联函数 $c_2$，从而实现仅基于液态结构数据的泛函构建。
• 训练卷积神经网络，将局部密度和速度分布 $\rho(z'), v_z(z')$ 映射至内力密度 $\mathbf{F}_{\text{int}}(z)$，以表示非平衡系统中的 $\delta R^{\text{int}}_{\text{ex}} / \delta \mathbf{J}$。
• 利用贝叶斯和不确定性感知的机器学习框架，量化并传播学习到的泛函中的误差，提升其可靠性与可解释性。
• 利用高通量布朗运动模拟生成稳态、电流驱动系统中用于训练ML模型的“真实值”数据。

实验结果

研究问题

• RQ1 在已知解析解的1D系统中，机器学习能否准确重构精确的自由能泛函？
• RQ2 在无先验物理假设的前提下，ML模型在多大程度上能从模拟数据中学习到 $\mathcal{F}_{\text{ex}}[\rho]$ 或其导数的泛函依赖关系？
• RQ3 在平衡cDFT中，ML模型在不同外势或系统参数下泛化能力如何？
• RQ4 ML对非平衡泛函（如 $\delta R^{\text{int}}_{\text{ex}} / \delta \mathbf{J}$）的表示能否在不依赖外力驱动的情况下再现物理行为？
• RQ5 将基于ML的cDFT扩展至具有复杂粒子形状、内部自由度或各向异性相互作用的3D系统的前景如何？

主要发现

• ML模型在1D硬杆系统中成功重构了精确的自由能泛函，实现了定量精度，验证了从数据中学习cDFT泛函的可行性。
• 在 $c_1[\rho]$ 数据上训练的神经网络准确恢复了泛函导数 $-\beta \delta \mathcal{F}_{\text{ex}} / \delta \rho$，实现了可微分且可逆的表示。
• 在局部密度和速度分布上训练的卷积网络能准确预测内力密度 $\mathbf{F}_{\text{int}}(z)$，在不同外力下均表现出强鲁棒性。
• 将 $\mathbf{F}_{\text{int}}$ 表示为 $f_{z,\text{int}}^\star[\rho(z'), v_z(z')]$ 的ML方法，成功捕捉了其对 $\rho$ 和 $\mathbf{J}$ 的泛函依赖，证实其在稳态非平衡系统中的有效性。
• 不确定性感知的ML技术（如Malpica等人，2023年提出的）能够量化学习泛函中的预测误差，提升了其在后续优化中的可靠性。
• 该概念框架与电子DFT及功率泛函理论具有显著相似性，表明ML增强的泛函形式在平衡与非平衡经典多体问题中具有广泛适用性。