第6章 · 进阶主题与挑战
文档摘要
第 6 章 · 进阶主题与挑战 章节摘要：第 5 章展示了 DFT 能算多少东西，第 6 章正视它算不准什么。激发态交给 TDDFT，强关联交给 DFT+U 与 DMFT，规模交给高通量与材料基因组，效率交给机器学习，最后整体审视 DFT 的局限与未来。读完本章，你应当能定位自己在计算科学中的进阶方向，理解每个「补丁方法」补的是哪个漏洞、代价是什么。 学习目标 阅读完本章，你应当能够： 复述 Runge-Gross 定理与含时 KS 方程，说明 TDDFT 如何算激发能与振子强度 说出 TDDFT 在电荷转移激发、Rydberg 激发、双激发上的失效及应对（长程校正泛函） 解释 DFT+U 的 Hubbard 修正思路与 U 值的从头算确定，对比 DMFT 的动态关联能力 理解 Mott
第 6 章 · 进阶主题与挑战
章节摘要：第 5 章展示了 DFT 能算多少东西，第 6 章正视它算不准什么。激发态交给 TDDFT，强关联交给 DFT+U 与 DMFT，规模交给高通量与材料基因组，效率交给机器学习，最后整体审视 DFT 的局限与未来。读完本章，你应当能定位自己在计算科学中的进阶方向，理解每个「补丁方法」补的是哪个漏洞、代价是什么。
学习目标
阅读完本章，你应当能够：
- 复述 Runge-Gross 定理与含时 KS 方程，说明 TDDFT 如何算激发能与振子强度
- 说出 TDDFT 在电荷转移激发、Rydberg 激发、双激发上的失效及应对（长程校正泛函）
- 解释 DFT+U 的 Hubbard 修正思路与 U 值的从头算确定，对比 DMFT 的动态关联能力
- 理解 Mott 绝缘体为何难算，DFT+U 与 DFT+DMFT 各自的适用边界
- 说明高通量计算的自动化工作流、材料基因组三支柱，以及 Materials Project 等数据库
- 描述机器学习势函数、ML 加速 SCF、数据驱动泛函三种融合路径
- 系统盘点 DFT 的局限（泛函、强关联、激发态、标度）与未来方向
核心概念速览
金句：第 6 章所有方法都在回答同一个问题——DFT 的近似泛函在哪一层失效，就用哪一层的工具去补；补不了的地方，就是未来的研究方向。
进阶方法补丁地图
子章节导航
6.1 TDDFT：激发态与光谱
从静态到含时的推广、Runge-Gross 定理、线性响应与 Casida 方程、吸收/发射/CD 光谱模拟、绝热近似的失效场景。
6.2 强关联体系：DFT+U 与 DMFT
Mott 绝缘体的悖论、DFT+U 的 Hubbard 修正与 U 值确定、DMFT 的杂质模型自洽、DFT+DMFT 的光谱预测能力。
6.3 高通量计算与材料基因组
从单点计算到批量工作流、AiiDA/FireWorks 等自动化框架、MGI 的计算-实验-数据三支柱、Materials Project/OQMD/AFLOW 数据库。
6.4 机器学习与 DFT 结合
ML 势函数、ML 加速 SCF、ML 预测电子性质、数据驱动泛函、高通量筛选与逆向设计。
6.5 DFT 局限与未来方向
自相互作用误差、vdW 缺失、强关联、激发态、计算标度的系统盘点，以及从头算泛函、线性标度、GPU 与 E 级计算、量子计算的前景。
子章节之间的逻辑关系
6.1 TDDFT ──► 补「激发态」这一维度 6.2 DFT+U/DMFT──► 补「强关联」这一角落 6.3 高通量 ──► 补「规模」这一瓶颈 6.4 机器学习 ──► 补「效率与泛函」两个短板 6.5 局限与未来──► 把四个补丁串成一张路线图
前四节是四个独立「补丁」，每个针对 DFT 的一个具体缺口；第 5 节是总结与展望，把这些补丁放进历史脉络里。读的时候抓住「补什么、代价是什么」这一对矛盾，就不会迷路。
前置知识与后续延伸
- 前置：第 2 章 KS 方程（TDDFT 是它的含时版）；第 3 章泛函误差（DFT+U 是 SIC 思路延伸）；第 4 章软件与算法；第 5 章各领域的痛点
- 后续延伸：本章是全书终点，也是你独立研究的起点——每个小节都可以延伸到一篇综述或一门专门课程
各方法的「补什么 / 代价是什么」
| 方法 | 补的漏洞 | 主要代价 | 适用场景 |
|---|---|---|---|
| TDDFT | 激发态与光谱 | 泛函误差放大、双激发失效 | 光吸收/发光/染料设计 |
| DFT+U | d/f 电子局域化 | U 值依赖、静态近似 | 过渡金属氧化物 |
| DFT+DMFT | 动态关联 | 计算昂贵、需专业知识 | Mott 绝缘体、重费米子 |
| 高通量 | 单点计算太慢 | 数据质量管控难 | 新材料筛选 |
| 机器学习 | 效率与泛函精度 | 数据依赖、可解释性 | 大尺度 MD、性质预测 |
选型决策：我该用哪个「补丁」
一条实用判断线：先问体系性质、再问所需精度、最后问预算。要算激发态能级且体系不大，TDDFT 是默认起点，遇到电荷转移或 Rydberg 激发就换长程校正泛函；过渡金属氧化物算磁性或带隙，先试 DFT+U 并从文献拿 U 值；要复现 XPS/ARPES 光谱、需要动态关联图像，才值得上 DFT+DMFT。高通量与 ML 不是「泛函替身」，而是效率杠杆——适合批量任务，不适合单点精算。读每节时带着这张表对照，就能快速定位自己该深入哪一节。
一点心态建议
第 6 章信息量大、方法多，容易读出一股「什么都会一点、什么都没学透」的焦虑。不必慌。这章的定位是「地图」而非「手册」：先记住每条线的位置与入口，真到用时再沿着对应小节去深挖文献与软件文档。计算科学是一个「先广后深」的领域，广到知道自己有哪些工具可选，本身就是一种稀缺能力。此外要记住，第 6 章的方法都有明确的「出生背景」——TDDFT 为光谱而生、DFT+U 为过渡金属而生、高通量为材料筛选而生、机器学习为大尺度而生。记住每个方法是为了解决哪个具体困难而诞生的，你就永远不会用错地方。
全书收尾的一句话
六章读完，回到最初那个问题：为什么量子力学的多体方程算不动，我们却几乎每天在用 DFT 预测材料性质？答案在于 DFT 做对了一件关键的事——它没有硬算多体问题，而是把它重新组织成了「密度 + 一个未知泛函」的形式，然后花五十年把那个未知项越做越好。TDDFT、DFT+U、机器学习泛函，都是这场持续五十年的「填黑箱」运动的一部分。你现在站在的，正是这条演化链的最新一端——而链条的下一环，很可能由你亲手接上。