Funciones auxiliares optimizadas para la mitigación robusta de errores de tamaño finito en la teoría funcional de...

Área de la Ciencia:

• Ciencias de los materiales computacionales
• Química cuántica
• Física del estado sólido

Sus antecedentes:

• Los errores de tamaño finito (FSE) son un gran desafío en el cálculo de las propiedades de los sistemas periódicos.
• La interacción de Coulomb de largo alcance es la fuente dominante de FSE, lo que lleva a una convergencia lenta en la integración espacial recíproca.
• El método de sustracción de singularidad (SS) proporciona una forma sistemática de reducir estos errores.

Objetivo del estudio:

• Investigar el rendimiento del método SS para reducir el FSE en cálculos de intercambio exactos.
• Desarrollar y probar nuevas funciones auxiliares para el método SS.
• Lograr una robustez y una alta precisión en los cálculos de la teoría funcional de la densidad híbrida (DFT).

Principales métodos:

• Aplicación del método SS con una sola función auxiliar gaussiana ajustable.
• Desarrollo de un método de ajuste para estimar los parámetros gaussianos óptimos para una convergencia rápida.
• Proponer nuevas formas de función auxiliar con parámetros determinados por el ajuste de mínimos cuadrados.

Principales resultados:

• Un método de ajuste simple estima robustamente el ancho gaussiano óptimo, lo que permite una rápida convergencia al límite termodinámico.
• Las nuevas funciones auxiliares, optimizadas mediante el ajuste de mínimos cuadrados, logran una precisión de millihartree.
• El método demuestra eficacia para semiconductores y aislantes, incluso con mallas k escasas y conjuntos de bases grandes.

Conclusiones:

• El método SS, mejorado con funciones auxiliares gaussianas optimizadas, mitiga efectivamente los errores de tamaño finito en los cálculos periódicos.
• Este enfoque ofrece una vía confiable y precisa para la predicción de propiedades de materiales utilizando DFT híbrido.
• Las técnicas desarrolladas son ampliamente aplicables a diversos materiales y condiciones computacionales.