Density functional perturbation theory of meta-generalized gradient approximations using algorithmic differentiation

技术摘要：利用算法微分实现元广义梯度近似的密度泛函微扰理论

问题陈述
密度泛函微扰理论（DFPT）是计算平面波密度泛函理论（DFT）中线性响应性质（如声子、介电常数、弹性常数）的标准框架。然而，将 DFPT 扩展到依赖于动能密度（KED, $\tau$）以及电子密度（$\rho$）的元广义梯度近似（meta-GGA）泛函，仍然是一个显著的瓶颈。

主要的障碍在于，为每种特定的泛函参数化形式推导并编写交换相关（XC）能量二阶导数的显式解析表达式，其实现复杂度极高。这种“收缩层”涉及由 KED 依赖性引起的复杂非局部算符。因此，大多数平面波代码缺乏对 meta-GGA 的 DFPT 支持，这阻碍了对这些泛函进行响应性质的基准测试，也阻碍了依赖于 KED 特征的机器学习 XC 泛函的训练。此外，通过训练此类泛函来拟合参考密度（而非仅仅是能量）需要计算自洽密度对 XC 参数的导数，而这在以往的平面波 DFPT 中是无法实现的。

方法论
作者通过将**算法微分（AD）**直接集成到核心 DFPT 求解器中，提出了一种适用于通用形式 $E_{xc}(\rho, \tau)$ 的 XC 泛函 DFPT 实现方法。

1. 通过雅可比-向量积（JVP）进行重构：
   作者没有推导 XC 能量二阶导数的显式解析表达式（即 XC 核），而是将 XC 电势扰动（$\delta V_{xc}$）的计算重新构建为一个雅可比-向量积。具体而言，XC 电势对密度和 KED 扰动的响应计算如下：
   $$\begin{pmatrix} \delta V_{xc}^\rho \\ \delta V_{xc}^\tau \end{pmatrix} = J_{V_{xc}} \cdot \begin{pmatrix} \delta \rho \\ \delta \tau \end{pmatrix}$$
   其中 $J_{V_{xc}}$ 是从密度到电势映射的雅可比矩阵。

2. 前向模式 AD 集成：
   作者利用前向模式 AD 来自动评估该 JVP。通过定义函数 $f(\epsilon) = V_{xc}(\rho + \epsilon \delta \rho, \tau + \epsilon \delta \tau)$，导数 $f'(0)$ 即得到了所需的电势扰动。这种方法：

   • 消除了为每个泛函手动推导二阶导数表达式的需求。
   • 适用于任何泛函形式，包括半局部 meta-GGA、基于密度的色散修正以及非局部机器学习参数化形式。
   • 其计算成本与评估电势本身相当（仅有很小的常数倍开销）。

3. 框架扩展：
   该 AD 实现被集成到了作者现有的 AD-DFPT 框架中（此前仅限于 GGA）。该框架现在可以处理：

   • 在基态 SCF 和 DFPT 循环中与 KED 相关的非局部算符（$\hat{V}_{xc}^\tau$）。
   • 使用 Berry 相位理论处理极化响应和电场扰动，其中 AD 处理必要的哈密顿量导数。
   • 计算任意基态物理量对任意扰动的任意导数，包括对 XC 泛函参数的导数。

主要贡献

• 通用的 DFPT 求解器： 首个在平面波代码中实现支持任意 $E_{xc}(\rho, \tau)$ 形式的 meta-GGA DFPT，无需手动推导二阶导数。
• AD 驱动的实现： 一种利用前向模式 AD 计算 XC 电势扰动的新策略，绕过了“收缩层”瓶颈。
• 基于密度的学习能力： 能够计算自洽密度对 XC 参数的梯度，从而实现针对参考密度进行基于梯度的 XC 泛函训练。
• 全面的响应性质： 展示了对 Born 有效电荷、弛豫离子弹性常数、压电张量和介电张量的计算。

结果
作者验证了该方法并将其应用于两个案例研究：

1. 金刚石验证：

   • 使用 r2SCAN01 meta-GGA 泛函通过 AD-DFPT 计算的弹性常数（$C_{11}, C_{12}, C_{44}$）与有限差分（FD）计算结果进行了对比。
   • 结果在 $10^{-4}$ GPa 范围内一致，验证了 AD 实现的正确性。

2. ZnO 和 BaTiO$_3$ 的响应性质：

   • 分别使用 LDA、PBE 和 r2SCAN01 进行计算。
   • ZnO： r2SCAN01 在预测晶格常数（偏差 < 0.5%）和弹性常数（平均绝对误差 MAE 为 4.6 GPa，而 LDA/PBE 为 13–16 GPa）方面显著优于 LDA 和 PBE。它还改善了对介电常数的预测，部分修正了 LDA/PBE 中的高估现象。
   • BaTiO$_3$： r2SCAN01 在预测结构参数方面表现出与实验数据及混合 DFT（PBE0）参考值更好的吻合度。值得注意的是，它比 LDA（高估）或 PBE（低估）更好地捕捉到了压电张量的离子贡献，与 PBE0 参考值相比，其平均绝对误差仅为 0.17 C/m$^2$。

3. 神经网络 Meta-GGA 训练：

   • 一个由小型神经网络参数化的半局部 meta-GGA 交换泛函，被训练用于拟合硅（金刚石和 $\beta$-tin 相）的 HSE06 混合 DFT 参考密度。
   • 训练策略包括仅使用总能量、能量 + 密度，以及能量 + 密度 + KED。
   • 发现： 虽然仅用能量进行训练是欠定的，但加入密度信息显著提高了泛函对未见过的 $\beta$-tin 相的迁移能力。训练后的泛函在预测 $\beta$-tin 相的方程状态方面优于 PBE，尽管 PBE 的密度与 HSE06 参考密度同样接近。这证明了使用 AD-DFPT 梯度进行基于密度的学习是可行且有效的。

意义与主张
本文声称建立了 AD-DFPT 作为计算 meta-GGA 级 DFT 导数的通用途径。其意义在于：

• 解锁 Meta-GGA 响应性质： 它消除了阻碍平面波代码广泛使用 meta-GGA 进行计算响应性质的实现障碍。
• 实现高效的数据驱动 XC 学习： 它提供了用于针对参考密度训练 XC 泛函所需的梯度，这种策略已被证明可以提高数据的效率和迁移能力。
• 通用性： 该方法不局限于特定的泛函，而是适用于任何 $E_{xc}(\rho, \tau)$，包括未来的非局部或机器学习参数化形式。

作者也谦虚地指出了目前的局限性：由于依赖前向模式 AD，计算成本随 XC 参数的数量线性增加，这限制了其与反向模式 AD 相比进行大规模参数训练的能力。此外，一致的规范化收敛（norm-conserving）meta-GGA 赝势的可用性仍是一个约束，尽管该领域的发展正在进行中。