模拟DFT的深度学习框架

密度泛函理论（DFT）已成为材料界最有价值的计算工具之一。它指导了新型催化剂的发现、储能材料的设计、极端条件下材料行为的探索以及其他应用。DFT的成功在于其将量子力学中繁琐的多电子多核问题转化为有效的单电子Kohn-Sham（KS）方程。DFT的研究在理论、算法以及计算设施等方面均取得了巨大进展，在材料性质发现方面发挥了重大作用。Fig. 1 ML-DFT database and two-step workflow.然而，求解核心Kohn-Sham方程的计算成本仍然是大规模动力学研究复杂现象的主要障碍。在过去数十年内，各种基于机器学习（ML）的方法成为人们研究的热点，以满足DFT计算时遇到的长度和时间尺度需求。迄今，人们发展的方法能够在不同程度上成功预测电子结构或基本的原子性质，但还没有一套可靠的方案能够在一个综合的KS-DFT模拟中同时成功预测这两种属性。Fig. 2 Performa ………………………………