V2Rho-FNO: 基于傅里叶神经算子的数据密度预测

密度泛函理论（DFT）是计算化学和材料科学的基石，但其计算成本限制了在大规模和高通量应用中的使用。虽然机器学习已加速特定分子类的能量预测，但跨越多样化化学空间的电子密度可迁移预测仍具有挑战性。本文提出了基于傅里叶神经算子（FNOs）的通用框架，直接学习从外部势能到电子密度分布的映射。不同于依赖明确原子轨道、基组或手工特征描述的传统方法，该方法通过空间频率域中的算子学习捕捉全局电子相互作用和长程关联。模型在横跨多个元素和分子几何构型的数据集上训练，能够对完全不可见的分子系统实现零样本泛化，准确预测其电子密度而无需重新训练。这种可迁移性源于FNOs表示连续场中全局结构的内在能力。我们的工作表明，神经算子学习是实现快速、准确且可迁移的电子结构预测的有前景的途径，具有在高通量筛选和化学空间探索中的潜在应用。