Kohn–Sham 哈密顿量学习补上状态监督：∇2DFT 上总能量误差降为最强基线的五百分之一
核心概要
机器学习预测 Kohn–Sham 哈密顿量时，只按矩阵元素误差训练会让下游电子性质误差偏大，因为从算符到电子态的映射高度各向异性。DSHam 在原有哈密顿量损失之外，同时约束预测哈密顿量解出的密度矩阵、实空间电子密度和占据轨道能量。在 ∇2DFT 基准上，电子密度与总能量误差分别比最强对比方法降低 40 倍和 500 倍，并能在训练规模两倍重原子的分子上外推。
深度剖析
哈密顿量预测模型的训练目标从只看矩阵元素误差，扩展到同时约束该哈密顿量解出的电子态。 此前这类模型通常直接最小化预测矩阵与参考矩阵之间的逐元素平均绝对误差或均方误差，监督只停留在算符空间。 在跨越不同分子尺度的三个数据集上，只用逐元素监督的模型哈密顿量误差相近，总能量误差却差异明显，大分子上的能量误差超出化学精度三个数量级以上。
做法是在训练时对预测哈密顿量求解广义本征值问题，再把解出的电子态与参考态对齐。 新增三项监督：原子轨道基下的密度矩阵误差、实空间网格上的归一化密度误差，以及占据轨道能量差，与原有哈密顿量损失加权相加。 在 QH9 上，三项组合的损失把密度矩阵误差从 16678.08 降到 384.37、总能量误差从 455.51 降到 104.40（单位分别为 10⁻⁶ 与 µEh），优于单独加入任一辅助项。
启示与展望
演示范围限于 MD17、QH9、∇2DFT 三个分子基准，以及由 QH9 训练、在 PubChemQC 上做 10–17 个重原子的外推测试；分子动力学算例是 ∇2DFT 测试集中五个含 32–44 个原子的柔性分子，采用 300 K、0.5 fs 步长的 NVT 模拟。
方法依赖预设的原子轨道基组，难以直接跨基组迁移；在更广的化学与构象空间上的可靠泛化仍是挑战；哈密顿量预测涉及高阶张量运算，计算开销高于机器学习原子间势。