arXiv cs.AI· Yuhao Chen, Donald G. Truhlar, Xiao He·· 12 小时前AI 评分24
平稳性约束同时改善机器学习交换关联泛函的能量与密度
Stationarity Constraints Improve Both Energies and Densities of Machine-Learned Exchange-Correlation Functionals
AI 导读
针对经验交换关联泛函在固定轨道上拟合却自洽使用、能量变好往往密度变差的问题，研究发现训练后泛函在精确密度 Kohn-Sham 轨道上的 Brillouin 残差可一阶控制自洽密度偏移与拟合-自洽能量差，惩罚该项无需在训练中求解自洽场。用 6 个能量和 11 个 CCSD 密度训练的神经 meta-GGA，在未见分子的原子化能与密度上均超过 SCAN。
正文 · AI 翻译
摘要：经验交换关联泛函在固定轨道上拟合，却以自洽方式使用，因此能量更优往往伴随密度更差。我们证明，训练后的泛函在精确密度的 Kohn-Sham 轨道上的 Brillouin 残差，在一阶上同时控制自洽密度偏移以及拟合能量与自洽能量之间的差距。对其施加惩罚无需在训练期间求解自洽场。在 6 个能量和 11 个 CCSD 密度上训练后，一个神经 meta-GGA 在未见分子的原子化能和密度两方面均超越 SCAN。
| 学科： | 化学物理（physics.chem-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.30022 [physics.chem-ph] |
| （或 arXiv:2610.30022v1 [physics.chem-ph] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.30022 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yuhao Chen [查看邮箱]
[v1]
2026年10月21日 星期三 16:49:03 UTC（847 KB）
来源：arXiv cs.AI · arxiv.org