摘要
利用机器学习预测Kohn-Sham亥姆霍兹可以加速密度泛函理论，同时保持对分子轨道、能级及电子结构可观测量的访问，这些是仅能量代理无法解决的。然而，与收敛亥姆霍兹的元素级一致性并不能确定支配轨道能量和密度的占据子空间。本文介绍了HamEvo，一种学习单步自洽更新的神经算子，并将收敛亥姆霍兹作为其固定点。HamEvo在中间自洽轨迹上进行了预训练，并在平衡状态下通过密度矩阵监督进行了校准。在MD17到药物类似的QMugs基准测试中，HamEvo将亥姆霍兹误差降低了35-49%，相较于直接回归和深平衡基线，并以0.036和0.053 eV的平均绝对误差预测QMugs的HOMO和LUMO能量，接近1 kcal/mol的化学精度。通过仅使用20个参考构象的少量微调，HamEvo扩展到最大122个原子的分子，远超预训练覆盖的尺寸范围。通过热分子动力学采样，HamEvo捕获了超出谐波近似的温度依赖的HOMO-LUMO间隙重正化。推理速度比传统DFT快达242倍。
博主点评： HamEvo的提出，展示了通过机器学习提升密度泛函理论计算效率的巨大潜力，尤其在处理复杂分子系统时。其固定点的设计思路为后续研究提供了新的视角，值得深入探讨与应用。