Scaling Density Functional Theory with Gaussian Splatting

📄 arXiv: 2609.31483v1 📥 PDF

作者: Andrés Guzmán-Cordero, Cindy Zhang, Majdi Hassan, Marta Skreta, Kirill Neklyudov, Matija Medvidović

分类: physics.chem-ph, cond-mat.mtrl-sci, cs.LG, physics.comp-ph

发布日期: 2026-09-25

备注: 45 pages, 6 figures, 18 tables

💡 一句话要点

提出GS-DFT以解决传统DFT计算的规模限制问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 密度泛函理论 高斯点云 计算化学 材料科学 量子力学 自适应密度拟合 正则化正交化

📋 核心要点

  1. 现有的DFT方法受限于固定的原子中心基组，导致在大规模系统中准确性和计算成本难以平衡。
  2. GS-DFT通过将分子轨道表示为高斯云，并利用梯度下降优化其参数，提供了一种新的计算框架。
  3. 实验表明，GS-DFT在参数数量相同的情况下，能够捕捉到固定基组无法实现的物理现象，并在内存使用上表现出二次增长特性。

📝 摘要（中文）

密度泛函理论（DFT）在计算化学和材料科学中提供了准确性与计算成本之间的实用平衡。然而，许多DFT计算受到固定原子中心基组的限制，影响了系统规模的准确性与成本。本文提出了用于密度泛函理论的高斯点云（GS-DFT），通过优化高斯云的位置、形状和混合系数来表示分子轨道，从而在没有训练数据的情况下最小化能量。GS-DFT的两个关键组件包括自适应密度拟合和正则化的可微分正交化。实验结果表明，优化后的基组在参数数量上显著减少，同时在能量、密度和核力方面达到传统基组的准确性。

🔬 方法详解

问题定义：本文旨在解决传统DFT计算中由于固定原子中心基组导致的准确性与计算成本之间的矛盾，尤其是在大规模系统中的应用限制。

核心思路：GS-DFT通过将分子轨道表示为高斯云，优化其位置、形状和混合系数，以实现无训练数据的能量最小化，从而突破传统方法的局限。

技术框架：GS-DFT的整体架构包括两个主要模块：自适应密度拟合模块用于高效评估两电子积分，正则化的可微分正交化模块用于优化分子轨道。

关键创新：GS-DFT的核心创新在于将量子力学与3D高斯点云渲染相结合，提供了一种新的表示分子轨道的方式，显著减少了参数数量，同时保持了高准确性。

关键设计：在设计中，采用了自适应密度拟合技术以提高计算效率，并通过正则化方法确保分子轨道的正交性，优化过程中使用了梯度下降算法来调整高斯云的参数。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，GS-DFT在参数数量相同的情况下，能够捕捉到固定基组无法实现的拉伸键和阴离子物理现象。此外，该方法在内存使用上表现出二次增长特性，能够在单个四GPU节点上模拟多达2742个原子（10406个电子）的系统，展现出显著的性能提升。

🎯 应用场景

GS-DFT在计算化学和材料科学领域具有广泛的潜在应用，能够有效模拟大规模分子系统，推动新材料的设计与开发。其高效的计算能力和准确性使其在药物发现、催化剂设计等领域具有重要的实际价值。

📄 摘要（原文）

Density functional theory (DFT) strikes a practical balance between accuracy and computational cost in many problems of computational chemistry and materials science. However, many DFT calculations are limited by fixed atom-centered basis sets, which dictate how accuracy and cost scale with system size. We propose Gaussian Splatting for Density Functional Theory (GS-DFT), which represents molecular orbitals as a cloud of Gaussians whose positions, shapes, and mixing coefficients are optimized jointly by gradient descent to minimize the energy without training data. Conceptually, GS-DFT is 3D Gaussian splatting with the renderer replaced by quantum mechanics. We introduce two key solver components: adaptive density fitting with screening for efficient evaluation of two-electron integrals, and a regularized differentiable orthogonalization of the molecular orbitals. Empirically, the optimized basis reaches the accuracy of the largest conventional basis sets with a fraction of the parameters, converging systematically in energy, density, and nuclear forces. At equal parameter count, it captures the stretched-bond and anion physics that fixed bases only recover with specialized basis augmentation. The resulting solver exhibits quadratic peak memory scaling in the cloud size, allowing us to simulate systems of up to 2,742 atoms (10,406 electrons) without any modifications at triple-zeta scale using a single four-GPU node.