DeepHartree 用 Poisson-coupled neural field 加速 Density Functional Theory 计算
B910化工消息：4月27日消息，Jiankun Wu、Jinming Fan、Chao Qian 和 Shaodong Zhou 在 arXiv new listing 中提交 DeepHartree，提出一种 Poisson-coupled neural field，用于加速 Density Functional Theory 计算。该方法面向 ab initio calculation 中 self-consistent field 方程求解成本高的问题，试图在保持物理约束的同时引入 machine learning 加速。
论文称，DeepHartree 将 E(3)-equivariant neural network 与 Poisson equation 通过 automatic differentiation 耦合，并用 delta-learning 缓解 nuclear singularities，使模型同时预测相互一致的 real-space electron densities 和 Hartree potentials。研究团队表示，这一设计把传统 Coulomb 计算中的 O(N^4) analytical integrals 替换为 GPU 加速的近线性 O(N) numerical inference。
在应用结果上，DeepHartree 仅使用 small molecules 训练，但在不同 basis sets、functionals 和最高 168 atoms 的体系上展示 zero-shot transferability。论文还称，该模型可通过高保真 initial density matrices 将标准 SCF protocols 的迭代次数最多减少 40.6%，并利用 long-range asymptotics 提供低成本 physical uncertainty metric。
这一研究的新闻价值在于，它把 neural field 与 Poisson equation 的物理结构绑定，用于解决 DFT 在大体系模拟中的扩展性瓶颈。若后续验证成立，DeepHartree 可能为 dynamic infrared simulations、复杂分子体系和材料计算提供更高吞吐量的电子结构计算路径。 （来源：arXiv）
论文称，DeepHartree 将 E(3)-equivariant neural network 与 Poisson equation 通过 automatic differentiation 耦合，并用 delta-learning 缓解 nuclear singularities，使模型同时预测相互一致的 real-space electron densities 和 Hartree potentials。研究团队表示，这一设计把传统 Coulomb 计算中的 O(N^4) analytical integrals 替换为 GPU 加速的近线性 O(N) numerical inference。
在应用结果上，DeepHartree 仅使用 small molecules 训练，但在不同 basis sets、functionals 和最高 168 atoms 的体系上展示 zero-shot transferability。论文还称，该模型可通过高保真 initial density matrices 将标准 SCF protocols 的迭代次数最多减少 40.6%，并利用 long-range asymptotics 提供低成本 physical uncertainty metric。
这一研究的新闻价值在于，它把 neural field 与 Poisson equation 的物理结构绑定，用于解决 DFT 在大体系模拟中的扩展性瓶颈。若后续验证成立，DeepHartree 可能为 dynamic infrared simulations、复杂分子体系和材料计算提供更高吞吐量的电子结构计算路径。 （来源：arXiv）
