핵심 개념
본 논문에서는 궤도 의존 밀도 함수 이론(DFT)을 심층 신경망을 사용하여 재구성하는 방법을 제시하여 콘-샴 포텐셜 및 고차 함수 미분의 계산을 단순화하고 비선형 응답 함수 및 힘에 대한 접근을 가능하게 합니다.
본 연구 논문에서는 밀도 함수 이론(DFT) 계산의 효율성을 향상시키기 위해 궤도 의존 밀도 함수를 심층 신경망을 사용하여 재구성하는 새로운 방법론인 전역 밀도 근사법(GDA)을 제안합니다. DFT는 양자 시스템의 전자 구조를 계산하는 데 널리 사용되는 방법이지만, 정확한 교환-상관(XC) 에너지 함수를 결정하는 것은 어려운 과제입니다. 기존의 meta-GGA 함수는 정확도가 높지만 궤도 의존성으로 인해 계산 복잡성이 증가합니다.
GDA는 궤도 의존성을 제거하기 위해 운동 에너지 밀도 τ를 밀도 n의 함수로 근사화하는 심층 신경망 τθ[n]을 사용합니다. 이를 통해 meta-GGA 함수를 비국소 밀도 함수로 변환하여 자동 미분을 통해 콘-샴 포텐셜과 고차 함수 미분을 효율적으로 계산할 수 있습니다.