技术摘要：NN-Dx：用于密度泛函理论的化学自适应色散物理学

问题陈述

伦敦色散力对于分子结构、识别以及凝聚相稳定性至关重要，然而许多标准的密度泛函近似（DFA）对其建模并不准确。这些近似主要依赖于局部或半局部的电子密度信息，缺乏描述色散所需的对长程相关电子涨落的显式处理。虽然现有的无密度修正方法（如 DFT-D3 和 D4）能够高效地恢复长程相互作用，但其准确性受限于固定的响应模型、全局参数化的阻尼函数以及有限的参考系统库。这些限制使其无法完全适应多样化的化学环境，特别是在带电系统或具有复杂电子响应的系统中。此外，纯粹基于机器学习的原子间势能往往无法重现正确的代数渐近尾部（$R^{-6}$, $R^{-8}$），因为它们依赖于有限的截断，而那些预测用于独立多体计算的密度衍生量的方法则需要获取电子密度，这限制了它们在半经验哈密顿量和力场中的应用。

方法论

作者引入了 NN-Dx，一种化学自适应、无密度的色散修正方法，它将等变机器学习集成到一个受 D4 方法启发的解析框架中。其核心设计原则是使用神经网络来预测物理模型内部参数的有界、环境依赖型修改，而不是用一个不受约束的能量回归器来取代物理模型。

架构与工作流

1. 输入与编码： 对于给定的由原子序数 ($Z$) 和坐标 ($R$) 定义的分子系统，通过电负性平衡（EEQ）内部计算部分电荷 ($q_A$)。一个 $E(3)$-等变图神经网络（基于 MACE 架构）将每个原子环境映射为一个标量描述符 ($z_A$)。
2. 参数预测： 轻量级预测头处理这些描述符，以输出对色散模型参数具有物理可解释性的修正。这些修正是有界的，以确保稳定性并防止非物理的外推。
3. 自适应组件： NN-Dx 修改了父级 D4 类模型的三个特定组件：
   • 动态极化率谱： NN-Dx 不再从有限的参考系统库中进行插值，而是对元素特有的基准孤立原子谱应用学习到的加性修正 ($\Delta \alpha_{NN}$)。这创建了环境依赖的原子响应函数。
   • 电荷缩放： 一个有界的、环境自适应的幂律函数取代了固定的 D4 电荷缩放表达式。该函数取决于有效核电荷与原子序数的比率，通过学习到的参数 ($\beta_A, \lambda_A$) 控制对部分电荷的响应强度和饱和度。
   • 阻尼与缩放： Becke–Johnson 阻尼的全局泛函特定常数 ($a_1, a_2$) 以及两体缩放因子 ($s_6, s_8$) 被提升为局部、对特定（pair-specific）的量。同样，Axilrod–Teller–Muto (ATM) 三体缩放因子 ($s_9$) 也变为三体特定（triple-specific）。这些量被学习为对 D4 基准值的有界乘性修正。
4. 能量评估： 修正后的参数被输入到标准的 D4 能量表达式中，该表达式包括偶极–偶极项和偶极–四极矩项（通过 Casimir–Polder 积分），以及领先的三体 ATM 项。
5. 训练： 该模型通过色散残差进行端到端训练，该残差定义为高水平参考相互作用能（CCSD(T)/CBS 或 DLPNO-CCSD(T)/CBS）与未修正的父级 DFA 相互作用能之间的差异。模型不对任何中间量（如极化率或 $C_n$ 系数）进行监督。

核心贡献

• 混合物理-机器学习框架： NN-Dx 成功地将机器学习的灵活性与解析色散理论的严谨渐近行为相结合。它保留了显式的 $R^{-n}$ 距离依赖性，同时允许内部参数适应化学环境。
• 无密度自适应： 与需要电子密度或轨道的算法不同，NN-Dx 仅基于原子序数、坐标和内部计算的电荷运行，使其适用于半经验方法、分子力学和机器学习势。
• 环境自适应响应： 该模型用神经网络修正的动态极化率谱取代了静态参考库，并引入了一个有界的、具有物理动机的电荷缩放函数，能够比固定缩放定律更准确地捕捉富电子和贫电子环境。
• 解析可微性： 由于能量是神经网络输出的解析函数，该模型提供了精确的、解析微分的力和黑塞矩阵（Hessians），无需单独的力模型，从而实现了能量守恒的分子动力学。

结果

NN-Dx 的性能在九种密度泛函和多个基准集上进行了评估：

• 基准准确度： 在原始 D4 基准（S22, S66, NCIBLIND10）的留出平衡几何结构上，NN-Dx 将默认 D4 的平均绝对误差（MAE）降低了 70–91%。九个泛函中有七个实现了低于 0.08 kcal mol⁻¹ 的 MAE。
• 带电与中性系统： 在带电的 DES15K 子集上，误差降低达到了 82–92%，显著优于在处理带电二聚体时表现挣扎的默认 D4。在中性 DES15K 子集上，NN-Dx 实现的 MAE 在 0.043 和 0.087 kcal mol⁻¹ 之间。
• 与 ML-XDM 的比较： 在中性 DES15K 测试集的特定 H/C/N/O 子集上，NN-Dx 对于 PBE0 的 MAE 为 0.051 kcal mol⁻¹。这比已发表的 ML-XDM 模型（MAE ~0.66 kcal mol⁻¹）和默认 PBE0+D4（MAE ~0.685 kcal mol⁻¹）低了约 13 倍。
• 结合曲线与驻点： NN-Dx 重现了六个非共价二聚体（包括 $\pi$-堆叠和氢键）的参考结合曲线，具有最低的 MAE（平均 0.07 kcal mol⁻¹）。至关重要的是，该模型保留了势能面的驻点结构，没有引入任何伪局部极小值或极大值。
• 动力学： 微正则系综（NVE）分子动力学模拟表明，该模型支持能量守恒的动力学，其总能量波动比交换的动能/势能小几个数量级，证实了不存在由于力产生的伪噪声。

意义与主张

论文声称，NN-Dx 为改进色散修正提供了一条直接途径，即在不牺牲效率和解析长程形式的前提下，使无密度模型的内部响应和相互作用参数具备化学自适应性。通过直接针对相互作用能残差而非中间物理量进行训练，该模型优化了色散行为本身。

作者将 NN-Dx 定位为现有无密度修正（D3/D4）的重要进步，因为它克服了对固定响应模型和全局参数的依赖。同时，它也解决了纯机器学习势的局限性，因为后者显式地保留了正确的渐近物理特性。这项工作证明，这种混合方法可以达到甚至超过依赖于密度衍生输入的、高水平机器学习模型的准确度，同时保持了无密度方法的高效性和广泛适用性。论文指出，这些结果是针对由主族化学主导的分子非共价相互作用的，未来的工作旨在将其扩展到过渡金属、凝聚相以及更高阶的多体项。