Разработка нового метода параметризации функционалов ТФП с использованием технологий глубинного обучения

В исследовании представлен новый подход к параметризации функционалов DFT (Теория функционала плотности), который сочетает преимущества машинного обучения и физически обоснованных функционалов . Используя нейронные сети для оптимизации гиперпараметров с сохранением исходной функциональной формулы, повышена точность вычислений без ущерба для физической основы функционала. Получены многообещающие результаты, свидетельствующие о значительном повышении точности вычислений по сравнению с традиционными методами. Важно отметить, что это улучшение было достигнуто при сохранении теоретической основы исходного функционала. Данный подход обладает большим потенциалом для продвижения разработки функционалов DFT, что имеет значение для различных областей, включая вычислительную химию и материаловедение. Важность разработки данного похода заключается в том, что он позволяет использовать преимущества эмпирической параметризации, не пренебрегая физической основой функционала. Это позволяет объединить существующие подходы к построению DFT-функционалов, взяв от каждой из них только сильные стороны. Таким образом, получается соединить в одной DFT-архитектуре и строгую физическую обоснованность, и обучение на экспериментальных или ab initio данных. Предложенный метод может быть легко применен ко многим другим функционалам плотности. В частности, сейчас в нашей лаборатории ведутся исследования по применению данного подхода к GGA функционалу PBE. Возможно, нейросетевая параметризация в будущем станет распространенным способом улучшить качество рутинных расчетов и будет в том или ином виде имплементирована в квантовохимических программах