在SCF/KS-DFT轨道优化程序中的三级复杂性的故事
Daniel Sethio1,2, Emily Azzopardi1, Ignacio Fdez Galván1
1Department of Chemistry─BMC, Uppsala University, P.O. Box 576, SE-75123 Uppsala, Sweden.
三种自我一致的场/科恩-沙姆密度函数理论 (SCF/KS-DFT) 轨道优化方法进行了基准测试. 一种新的机器学习方法,S-GEK/RVO,在分子电子结构计算方面展示了优越和强大的融合特性.
科学领域:
- 计算化学计算化学
- 量子化学 是一个量子化学.
- 材料科学 材料科学 材料科学
背景情况:
- 准确的电子结构计算对于理解分子特性和反应至关重要.
- 自相一致的场/科恩-沙姆密度函数理论 (SCF/KS-DFT) 方法被广泛使用,但可能面临融合挑战.
- 有效的轨道优化是提高SCF/KS-DFT计算性能和可扩展性的关键.
研究的目的:
- 描述和比较三个不同的SCF/KS-DFT轨道优化方法.
- 评估这些新的优化技术的稳定性和计算扩展性.
- 为优化SCF/KS-DFT引入和评估基于机器学习的方法 (S-GEK/RVO).
主要方法:
- 三种轨道优化方法的基准测试:r-GDIIS,RS-RFO和S-GEK/RVO.
- 在代子空间 (r-GDIIS) 方法中应用修改后的直接倒置.
- 实施一种新型的子空间梯度增强Kriging与受限制变异优化 (S-GEK/RVO) 方法,结合机器学习.
主要成果:
- 重置技术显著提高了r-GDIIS程序的性能.
- 与标准的SCF/KS-DFT优化技术相比,S-GEK/RVO方法表现出优越且强大的融合特性.
- 对有机分子和过渡金属复合物的性能进行了评估,证明了广泛的适用性.
结论:
- 开发的S-GEK/RVO方法为SCF/KS-DFT轨道优化提供了有前途的进步.
- 将机器学习集成到子空间优化中,显示了计算化学的巨大潜力.
- 这些改进的SCF/KS-DFT优化策略可以加速分子电子结构研究.
更多相关视频
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
11:27Studying Soft-matter and Biological Systems over a Wide Length-scale from Nanometer and Micrometer Sizes at the Small-angle Neutron Diffractometer KWS-2
Published on: December 8, 2016
相关概念视频
Atomic Orbitals
Electron Orbital Model
The first shell is closest to the nucleus, and it has only one subshell with a single spherical orbital called the...
The Energies of Atomic Orbitals
Valence Bond Theory and Hybridized Orbitals
A σ bond (single bond in a Lewis structure) is a covalent bond in which the electron density is...
Hybridization of Atomic Orbitals II
Hybridization of Atomic Orbitals I
