Accelerating density functional theory calculations using conditional generative-adversarial neural networks

doi:10.1038/s41524-026-02308-2

Accelerating density functional theory calculations using conditional generative-adversarial neural networks

2026-09-09

0

OA

AI

C

Calin-Andrei Pantis-Simut

George Alexandru Nemneş *

DOI：10.1038/s41524-026-02308-2

原文链接

查看原文

摘要

En 中文

密度泛函理论（DFT）是计算材料科学和量子化学中的核心工具，广泛应用于从分子到表面和体相系统的各类体系。电子性质通过求解Kohn-Sham方程确定，该方程通过迭代求解获得，初始电荷密度基于最佳猜测设定。当模拟盒子中的原子数增加到数百个且需要筛选大量化合物时，即使采用线性缩放DFT代码，计算量也变得显著。我们引入基于条件生成对抗网络（cGANs）的mcv2v-cGAN模型，该模型执行多通道体素到体素的映射，将易获取的结构信息转换为最终的收敛电荷密度。为了保持DFT水平的精度，预测的电荷密度被用作更优的初始猜测密度，从而大幅减少自洽循环中的迭代步数。mcv2v-cGAN模型在扩展的有机分子和缺陷硅超胞测试集中成功实现了对自洽电荷密度及衍生可观测量（observables）的准确预测。此外，基于预测电荷密度的分子动力学代理模型在显著降低计算量的同时生成了一致的轨迹。

Accelerating density functional theory calculations using conditional generative-adversarial neural networks

摘要

AI总结

期刊

机构

引用论文