(纯计算)浙江大学陆赟豪团队Phys. Rev. Lett.: 基于密度矩阵的电子结构优化变分机器学习模型

背景：过去十年，人工智能与基础科学研究的融合推动了计算科学的变革，例如神经网络量子态提升了多体量子蒙特卡洛计算精度，深度学习与密度泛函理论的结合也取得进展。研究目的：针对传统数据驱动方法依赖预构数据集的局限性，浙江大学陆赟豪团队提出一种创新方法，将机器学习与通过密度矩阵的直接变分能量优化相结合，以求解密度泛函理论中的Kohn-Sham方程，绕开传统自洽场流程。结论：该方法使用等变神经网络生成物理约束的密度矩阵，实现稳定高效的能量最小化，在分子与扩展体系的基态性质预测中达到高精度，为电子结构优化建立了强大的机器学习范式，并为大规模量子模拟开辟新路径。