量子科技中心_量科网

Kohn-Sham密度泛函理论（DFT）是量子化学领域的核心方法，在精度与计算成本之间实现了富有吸引力的平衡。尽管DFT在理论上具有精确性，但在实际应用中必须依赖对未知交换关联（XC）泛函的近似，该泛函编码了超越平均场处理的多体量子效应。目前存在多种此类近似方法，而机器学习XC泛函近年来更是大量涌现。该领域持续面临的挑战在于精度与计算成本之间的权衡：虽然高精度的机器学习泛函在传统近似方法难以处理的强关联系统中取得了成功，但其不利的缩放特性限制了更广泛的应用。在此，我们提出一种基于扩展图Transformer构型的线性缩放非局域XC近似，将此前能够可靠捕捉强关联系统的机器学习泛函的O(N²)甚至更差的缩放性能提升至线性。我们证明该方法能在强关联区域正确恢复H₂解离曲线，并在平面H₄体系（即使高级耦合簇方法也会失效的系统）上取得了有前景的结果。因此，我们的工作为开发既能在强关联系统中保持高精度、又具备大规模部署经济性的机器学习泛函开辟了道路。