量子科技中心_量科网

密度泛函理论（DFT）是计算化学与材料科学的基石，但其计算成本限制了其在大规模和高通量应用中的使用。虽然机器学习已加速了特定分子类别的能量预测，但在多样化化学空间中实现电子密度的可迁移预测仍具挑战性。该研究团队提出了一种基于傅里叶神经算子（FNOs）的通用框架，可直接学习从外势到电子密度分布的映射关系。与传统依赖显式原子轨道、基组或人工描述符的方法不同，该方法通过在空间-频域中进行算子学习，捕捉全局电子相互作用和长程关联性。通过在涵盖多种元素和分子几何结构的数据集上训练，该模型实现了对完全未见分子系统的零样本泛化能力，并能准确预测其电子密度而无需重新训练。这种可迁移性源自FNOs表征连续场中全局结构的内在能力。该工作确立了神经算子学习作为快速、精确且可迁移的电子结构预测的新路径，在高通量筛选和化学空间探索中具有潜在应用价值。