非均匀经典流体的球面元密度泛函学习

《Journal of Chemical Theory and Computation》：Spherical Metadensity Functional Learning for Inhomogeneous Classical Fluids

　　

研究人员发展了经典密度泛函学习（classical density functional learning）来处理三维球对称几何中具有截断两体粒子间相互作用的流体。对于具有随机化排斥对势的体系的模拟数据，为神经元密度泛函（neural metadensity functional）的监督训练提供了基础，从而通过试探粒子途径（test particle route）有效利用了体相流体中径向分布函数（radial distribution function, g(r)）的结果。具体而言，研究人员发展了球面局域学习（spherical local learning），以用神经网络表示单体直接关联泛函（one-body direct correlation functional, c₁(r;[ρ,β?])），该网络同时捕捉空间曲率效应以及元密度泛函对热标度对势（thermally scaled pair potential, β?(r)）的依赖。该框架能高效地获取当流体和一般溶剂吸附在弯曲溶质表面以及被限制在球形和平面腔体内时发生的非均匀结构及相关物理现象。试探粒子构型有助于通过泛函线积分（functional line integration）精确预测体相流体的对结构，并验证热力学测试粒子求和规则。将元密度泛函用于Henderson反演，可以从体相径向分布函数准确推断对势。研究人员处理了上述几何构型对两体量的影响，并通过自动微分（automatic differentiation）得到两体直接关联泛函（two-body direct correlation functional, c₂）。对于硬球流体，研究人员将元密度泛函的预测与固定对势的标准神经密度泛函以及基础测度理论（fundamental measure theory, FMT）给出的解析泛函结果进行了对照确认。模拟结果提供了进一步参考，并证实球面神经元密度泛函在广泛应用范围内具有可靠结果。

该研究发表于《Journal of Chemical Theory and Computation》。研究背景方面，经典密度泛函理论（classical density functional theory, DFT）为非均匀经典流体提供了严格的理论框架，其中Mermin-Evans密度泛函映射保证了密度分布、外势与热力学状态之间的联系。近年来，基于模拟数据的局域学习（local learning）方法已成功构建出神经密度泛函，但多数工作局限于平面或一维几何。球对称几何广泛出现于弯曲溶质吸附、球形孔限域、胶体间耗尽力以及Percus试探粒子图像中；曲率效应和原点处的奇异性使得在三维球坐标中学习密度泛函具有特殊难度。此外，解析密度泛函通常难以刻画泛函对两体相互作用势的依赖。为突破这些限制，研究人员将元密度泛函（metadensity functional）概念拓展至三维球对称几何，构建了同时依赖密度分布ρ(r)与热标度对势β?(r)的神经网络泛函，从而实现对非均匀结构、热力学一致性和结构反演问题的统一处理。

方法上，研究人员用巨正则蒙特卡洛（grand canonical Monte Carlo, GCMC）模拟生成训练数据：体相样本约3000个（立方盒L=15σ，化学势μ∈[?3,2]，截断对势r_c=1.5σ），由试探粒子途径从径向分布函数得到c₁；另有约1500个平面几何样本。球面局域学习采用五隐层全连接神经网络，输入包括密度窗口（截断r_w=2.0σ）、对势（截断1.5σ）与曲率编码R(r)，并对密度施加几何权重和原点镜像延拓；训练用Adam优化。超额自由能由泛函线积分获得，两体直接关联泛函由自动微分获得。

研究结果如下。

3.1 球面神经泛函的训练
研究人员使用约3000个体相GCMC模拟与约1500个平面几何模拟训练元密度泛函，另用约2500个球面限域和约900个平面硬球模拟训练仅适用于硬球的对照神经泛函。训练后的网络能够以高精度复现测试粒子密度分布和单体直接关联函数，即使在r→0的高曲率区域也保持准确。

3.2 非均匀密度分布预测
通过Picard迭代自洽求解Euler-Lagrange方程，研究人员用同一个元密度泛函预测了硬球、双台阶排斥势和可穿透软球在测试粒子、高斯软溶质、球形腔、硬球壳及平行硬壁等外势下的密度分布。硬球结果与Rosenfeld基础测度理论（FMT）一致，软势结果与GCMC模拟一致，说明该泛函可跨几何构型和相互作用类型进行可靠预测。

3.3 Henderson反演
利用元密度泛函的显式对势依赖，从给定体相密度ρ_b和径向分布函数g(r)出发，通过不动点迭代求解隐式方程，研究人员恢复了三种代表性排斥对势。反演在βμ=0、1、2等多个热力学状态点均成功，且对g(r)的噪声具有一定鲁棒性；仅在原点附近及方肩势平台处存在微小偏差。这表明神经网络元密度泛函可用于三维流体的结构反演问题。

3.4 对关联结构
对神经泛函做自动微分得到径向分辨的两体直接关联泛函c₂(r,r′)，并利用球面平均量c?₂(r,r′)恢复交换对称性。在体相硬球流体和半径2σ硬球腔限域硬球流体中，元密度泛函、无元密度依赖的神经硬球泛函、FMT自动微分、FMT测试粒子Ornstein-Zernike路线及模拟结果彼此吻合。特别地，近原点处的曲率诱导结构被正确复现，验证了球面几何处理的有效性。

3.5 试探粒子热力学
研究人员以三种方式计算超额化学势βμ_exc：直接求c₁的体相值、通过线性参数化泛函线积分计算巨势差、以及采用另一种参数化线积分。四种不同对势的结果均与模拟一致，验证了试探粒子求和规则以及神经网络泛函的热力学一致性。

讨论与结论方面，该工作建立了三维球对称非均匀流体的神经元密度泛函学习方案。充分利用体相试探粒子数据与平面几何数据即可训练出高精度泛函，避免了直接模拟一般球面非均匀环境的高昂计算成本。自动微分提供了通往高阶直接关联泛函的统一途径，而测试粒子求和规则验证了热力学一致性。结论表明：经典密度泛函理论保证了依赖于ρ(r)与β?(r)的泛函唯一性；元密度泛函概念使这种依赖关系在实际计算中可操作；球面局域学习在网络结构、曲率编码和几何权重上的设计有效捕捉了曲率效应。该泛函能够预测密度分布、完成Henderson反演、计算对关联结构并满足热力学求和规则，为三维球对称非均匀流体的机器学习密度泛函研究提供了可靠且高效的工具。未来工作可考虑将方法推广至全三维分辨率，利用等变神经网络编码旋转对称性，并将元密度泛函学习拓展至吸引或长程相互作用、带电及分子流体，以及与熵密度泛函理论相结合。