🔬 materials science

Scaling Density Functional Theory with Gaussian Splatting

本文介绍了用于密度泛函理论的高斯泼溅法（GS-DFT），这是一种将分子轨道表示为优化高斯云的新方法，旨在以显著更少的参数和二次方内存缩放实现高精度，从而使在单个四 GPU 节点上模拟高达 2,742 个原子的庞大系统成为可能。

原作者： Andrés Guzmán-Cordero, Cindy Zhang, Majdi Hassan, Marta Skreta, Kirill Neklyudov, Matija Medvidović

发布于 2026-09-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Andrés Guzmán-Cordero, Cindy Zhang, Majdi Hassan, Marta Skreta, Kirill Neklyudov, Matija Medvidović

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，试图理解一个分子的行为——这些从水到药物等一切事物的微小构建模块。为了做到这一点，科学家们使用了一套强大的规则，称为密度泛函理论（density functional theory）。这是一种计算电子如何在分子周围运动并相互作用的方法，而这种相互作用决定了分子的形状、能量以及它可能如何与其他物质发生反应。几十年来，这种方法一直是化学家和材料科学家的金标准，使他们能够在实验室实际构建之前，就设计出新药或发现更好的材料。然而，该方法有一个顽固的局限性。为了进行这些计算，科学家必须使用一组固定的数学形状来描述电子云，就像一个孔径大小固定的网。如果网太粗，细节就会丢失；如果网太细，计算量就会变得如此巨大，以至于即使是最快的超级计算机也无法完成。这种准确性与速度之间的权衡，阻碍了对大型复杂系统（例如驱动生物过程的庞大蛋白质）的研究。

现在，一个研究小组提出了一种解决此问题的新方法，该方法借鉴了计算机图形学中的技术来突破旧有的限制。他们没有使用与特定原子绑定的固定形状网，而是将整个系统替换为一个由漂浮的三维“斑点”（blobs）组成的灵活云团。这些斑点不是固定不动的；在计算机寻找电子最稳定排列方式的过程中，它们可以移动、拉伸并改变方向。研究人员将这种新方法称为“用于密度泛函理论的高斯泼溅”（Gaussian Splatting for Density Functional Theory）。在他们的模拟中，该方法仅使用一台配备四块显卡的计算机节点，就成功模拟了一个拥有超过 2,700 个原子和超过 10,000 个电子的系统。这种系统规模在以前是无法通过这种精度实现的，因为使用旧方法所需的内存足以填满一个小型的数据库中心。

这一突破的核心在于研究人员如何表示电子。传统上，用于描述电子的数学形状被钉在原子核上，就像插在旗杆上的旗帜。如果电子云需要延伸到空白空间，例如当化学键被拉开或原子获得额外电子时，这些固定的形状很难触及那里。科学家们不得不手动在计算中添加额外的形状来修复这个问题，这个过程不仅需要专家知识，而且对于非常大的分子往往会失败。新方法则完全去除了这些“杆子”。这些漂浮的斑点可以自由地漂移到电子需要它们出现的地方。随着计算机的运行，它会调整这些斑点的位置、形状和混合方式，以降低系统的总能量，就像雕塑家不断精炼一块粘土，直到它呈现出完美的形态。由于这些斑点可以移动，它们能够自然地扩散开来，覆盖那些在困难化学情境下出现的弥散、分布广泛的电子云，而无需任何人工干预。

为了在计算机上实现这一点，研究人员必须解决一个巨大的数学挑战。计算每一个漂浮斑点如何与每一个其他斑点相互作用，通常需要惊人的内存量，其增长速度之快，以至于只需增加几个原子就会导致系统崩溃。团队引入了一种聪明的过滤系统，忽略那些距离过远、对结果无关紧要的斑点间的相互作用，同时保留关键的相互作用。这显著降低了内存需求，使得他们能够在单台机器上模拟研究中最大的系统——一种涉及病毒感染的蛋白质。他们将这种方法应用于从简单的水到复杂的蛋白质等各种分子，发现它在匹配最佳传统方法准确性的同时，使用了更少的数学参数。在传统方法无法描述拉伸键或额外电子的情况下，这种新方法能够自动成功，在不需要特殊调整的情况下捕捉到正确的物理特性。

结果表明，统治量子化学界数十年的刚性、固定基组可能不再是处理最挑战性问题的必需品。通过将电子描述视为一种可学习的、漂浮的云团而非静态网格，研究人员创造了一种能随系统规模高效扩展的工具。他们证明了该方法可以处理多达 2,742 个原子的系统，这一规模为模拟整个生物机器和大型材料打开了大门，而此前这种细节水平仅保留给更小的分子。虽然目前该方法运行时间比传统的快捷方法长，但它能在标准硬件上处理大规模系统的能力表明，未来即使没有世界上最强大的超级计算机，也能解决最复杂的量子问题。这项工作证明，一种灵活、自适应的物质表示法可以胜过刚性、预定义的表示法，为理解量子世界提供了新的路径。

技术摘要：利用高斯泼溅（Gaussian Splatting）实现密度泛函理论的规模化

问题陈述

密度泛函理论（DFT）是模拟化学和材料科学中量子力学性质的标准计算框架，在精度与成本之间提供了切实的平衡。然而，传统的 DFT 实现受限于使用固定、以原子为中心的基础集（通常是高斯型轨道，即 GTOs）。这些局限性主要体现在以下三个关键领域：

可扩展性： 传统的自洽场（SCF）算法会产生巨大的内存和计算成本，其复杂度通常为 $O(B^3)$ 或 $O(B^4)$ （其中 $B$ 是基函数数量），这是由于需要存储和收缩大型中间张量，如电子排斥积分（ERI）张量。
物理保真度： 固定基集是预先确定的原子轨道近似。它们难以表示复杂的物理现象，例如阴离子的弥散电子密度或拉伸的化学键，除非由专家手动添加专门的弥散函数进行增强。
观测量的准确性： 轨道的误差会传播到输出的观测量中。力（Forces）对于分子动力学至关重要，其收敛速度比能量慢，且在使用以原子为中心的基集时，通常需要额外的修正项（Pulay 力）。

本文认为，电子轨道的固定基集参数化是这些问题的根源，这促使开发一种受物理约束、可摊销且天然支持 GPU 并行化的求解器。

方法论：用于密度泛函理论的高斯泼溅（GS-DFT）

作者提出了 GS-DFT，该求解器不再使用固定的以原子为中心的基函数，而是采用一组可学习的、浮动的、各向异性的高斯原语（称为“splats”，即泼溅）。从概念上讲，这借鉴了计算机视觉中的 3D 高斯泼溅（3DGS）技术，将光度渲染损失替换为变分能量最小化。

核心组件

浮动各向异性高斯（Floating Anisotropic Gaussians）：
GS-DFT 不再将轨道 $\psi_k$ 展开在固定的基组 $\chi_\mu$ 中，而是将其表示为 $M$ 个浮动高斯的线性组合：
$\psi_k(r) = \sum_{\mu=1}^M C_{\mu k} g_{\theta_\mu}(r)$
每个 splat $g_\theta$ 由一个中心 $m \in \mathbb{R}^3$ 、一个对称正定精度矩阵 $A$ 定义，并由单位四元数 $q$ （用于方向）和对数特征值 $l$ （用于形状）进行参数化。系数 $C$ 和几何参数 $\Theta$ 通过梯度下降法进行联合优化，以最小化总 DFT 能量。
直接变分优化：
该方法绕过了传统的 SCF 循环。相反，它利用自动微分（具体为 Adam 优化器）对总能量泛函 $E[\psi]$ 进行端到端的可微优化。这允许直接优化基参数，而无需训练数据。
正则化可微正交化：
由于浮动高斯函数本质上不是正交的，该方法通过 Löwdin 正交化来强制执行正交归一性约束 $C^\top S(\Theta) C = I$ （其中 $S$ 是重叠矩阵）。为了处理来自 Gram 矩阵 $G = C^\top S C$ 中退化特征值的数值不稳定性，作者引入了正则化特征值求解，通过对接近退化的特征对进行底限处理并修改梯度计算，从而确保反向传播的稳定性。
带有筛选机制的自适应密度拟合：
精确计算 $M$ 个 splats 的二电子积分成本为 $O(M^4)$ 。GS-DFT 引入了一种自适应密度拟合方案，其中辅助基组是根据 splat 乘积动态构建的。
- 筛选（Screening）： 基于重叠强度 $|S_{\mu\nu}|$ ，忽略掉重叠极小的 splat 对，从而将辅助函数数量 $N_{aux}$ 从 $O(M^2)$ 降低到 $O(M)$ 。
- 效率： 这将峰值内存扩展从 $O(M^4)$ 降低到 $O(M^2)$ ，并将每步张量收缩成本降至 $O(M^2)$ ，使得在单个 GPU 节点上模拟大型系统成为可能。
无 Pulay 力（Pulay-Free Forces）：
由于基函数不锚定在原子核上，包络定理（envelope theorem）可以直接适用。力被计算为能量对核坐标的显式偏导数（ $-\partial E / \partial R_a$ ），消除了在固定基集方法中所需的 Pulay 修正项。

核心贡献

全新的求解器架构： GS-DFT 是首个利用完全浮动、各向异性高斯基并通过直接变分最小化进行优化的 DFT 求解器，继承了 3D 高斯泼溅的优化工具包。
内存与计算效率： 引入自适应密度拟合和筛选机制，使该方法在内存上随云团大小呈二次方扩展（ $O(M^2)$ ），相比传统代码具有显著改进。
自动弥散物理特性： 该方法能自动捕捉弥散电子密度（如阴离子和拉伸键），无需手动增加基集增强，因为 splats 可以通过移动和变形来最小化能量。
面向前沿系统的可扩展性： 作者展示了在单个四 GPU 节点上模拟高达 **2,742 个原子（10,406 个电子）**系统的能力，这一规模在以往若不使用牺牲精度的线性缩放近似方法下，是标准 DFT 实现无法企及的。

实验结果

作者通过各种基准测试评估了 GS-DFT，并将其与传统的 GTO 基集（如 cc-pVXZ, def2-QZVPP）以及外推的完全基组（CBS）极限进行了对比。

精度扩展性： 与传统的 GTO 相比，GS-DFT 在每个自由参数带来的能量误差降低方面的扩展指数优出 2.3 倍。它能以极少量的参数达到大型常规基集的精度。
物理保真度：
- 阴离子与拉伸键： 在固定基集失效的区域（如氟化物阴离子 $F^-$ 和 LiF 解离），GS-DFT 使用未增强的基函数数量即可达到或超越增强基准（如 aug-cc-pVXZ）的结果。Splats 会自然扩张以覆盖弥散区域。
- 电离能： 在 Hartree-Fock 框架下，GS-DFT 在 GW100 基准测试集中重现了 GTO 参考电离能。
泛函覆盖范围： 该方法独立于交换相关（XC）泛函的选择，在 PBE、r2SCAN、B3LYP 和 $\omega$ B97M-V 之间表现出一致的性能。
内存扩展性： 对于大型生物分子（如含有约 10,000 个电子的蛋白酶 Nsp1-alpha），GS-DFT 比外推的 GTO 实现减少了约 20 倍的内存占用，使其能够在单个节点上运行。

重要性与主张

本文将 GS-DFT 定位为电子结构表示方式的一种范式转移。通过将基函数与原子核解耦，该方法消除了限制当前 DFT 应用的“固定基集”偏差。

可及性： 二次方内存扩展特性使前沿量子系统（蛋白质、大型材料）能够通过现代硬件加速器（GPU）进行研究，而无需使用往往会牺牲精度的专门线性缩放近似。
无需专家干预的正确物理特性： 该方法能自动恢复复杂的物理行为（弥散尾部、键拉伸），而这些行为传统上需要专家知识来手动增强基集。
未来潜力： 作者指出，虽然 GS-DFT 目前比 SCF 需要更多的优化步骤（时间）来收敛，但其参数高效且内存高效的表示形式，为未来的研究（如基于物理的自然梯度优化以及针对相关系统的摊销学习）奠定了基础。

研究结论认为，GS-DFT 是一种有效的、无需数据的求解器，它实现了最先进的精度扩展，并使得模拟此前难以处理的分子系统成为可能。