9.3 第一性原理与数值模拟

本节摘要：密度泛函理论（DFT）是当前最成功的第一性原理方法，通过将多体问题映射为等效的单电子问题，可以仅基于基本物理常数和原子序数预测材料的基态性质。分子动力学模拟原子尺度的运动过程，量子蒙特卡洛处理无法解析求解的量子多体问题。紧束缚模型和格林函数方法从不同角度逼近电子结构，机器学习则正在改变材料发现和性质预测的方式。

一次 DFT 计算到底在算什么

密度泛函理论听起来神秘，核心流程其实只有几步：猜一个初始电子密度，构建有效势，解 Kohn-Sham 方程得到波函数，再由波函数重建密度，循环直到收敛。用伪代码把自洽循环写出来，你会发现它本质是一个迭代求不动点的过程：


# DFT 自洽循环的流程骨架
def dft_self_consistent(atoms, cutoff):
    rho = initial_guess(atoms)          # 1. 猜测初始电子密度
    for _ in range(200):                # 2. 迭代直到收敛
        V_eff = build_potential(rho)    #    外势 + Hartree 势 + 交换关联势
        psi, eps = solve_ks(V_eff)      #    解 Kohn-Sham 方程
        rho_new = build_density(psi)    #    由波函数重建密度
        if converged(rho, rho_new):
            return total_energy(psi)
        rho = mix(rho, rho_new)         # 3. 混合新旧密度加速收敛
    raise RuntimeError("未收敛")

麻烦全在"交换关联势"这一项——它的精确形式没人知道，只能近似。LDA、GGA、杂化泛函之间的差别，本质就是这一步近似的精细程度不同。所以 DFT 不是"从第一性原理精确求解"，而是"从第一性原理出发、在可控近似下求解"。知道这个边界，才能正确解读计算结果。

学习目标

阅读完本节，你应当能够：

解释Kohn-Sham方程的基本思想和交换关联泛函的角色
阐述DFT在材料性质预测中的成功与局限（如低估带隙、无法描述强关联）
区分分子动力学和蒙特卡洛模拟的适用场景
理解紧束缚模型如何从原子轨道出发构建能带结构

密度泛函理论：从基本常数到材料性质

DFT的核心是Hohenberg-Kohn定理：基态密度唯一确定了外势和基态所有性质。Kohn-Sham方程将相互作用多电子系统映射为一组无相互作用的等效单电子问题：

\left[-\frac{\hbar^2}{2m}\nabla^2 + V_{eff}(\mathbf{r})\right]\psi_i(\mathbf{r}) = \varepsilon_i\psi_i(\mathbf{r})

有效势 V_eff = V_ext + V_H + V_xc 包含外部势、Hartree势（电子密度产生的经典静电势）和交换关联势。交换关联势 V_xc[n] 概括了所有多体效应，其精确形式未知，需要近似。

常用近似：

LDA（局域密度近似）：V_xc[n] 取均匀电子气的交换关联能。
GGA（广义梯度近似）：加入密度的梯度修正，显著改进了原子化和成键能。
杂化泛函（如PBE0、HSE06）：混合部分Hartree-Fock精确交换，改善带隙预测。

DFT的成功令人瞩目：精确预测晶格常数（误差 < 2%）、弹性常数、声子谱、表面能和缺陷能级。计算的属性可以直接与实验对比。

DFT的局限：LDA/GGA系统性低估带隙（通常只有实验值的50-70%），无法正确描述强关联体系（Mott绝缘体），无法处理范德华相互作用和激发态。这些局限推动了更高阶方法的开发。

分子动力学与蒙特卡洛模拟

**分子动力学（MD）**通过求解牛顿方程来模拟原子尺度的运动过程。力场（经验势函数）描述原子间的相互作用。MD广泛应用于：材料的熔化和结晶过程、表面和界面的原子级动力学、蛋白质折叠、纳米结构的热力学性质。

**蒙特卡罗（MC）**通过随机抽样来计算热力学平均值。在统计物理中，Metropolis算法通过"接受/拒绝"规则高效地采样构型空间。量子蒙特卡洛（QMC）将随机抽样与量子力学结合，是处理强关联多体问题最强大的数值工具之一。它的计算成本高，但能给出无系统近似偏差的基准结果，常被用来检验其他方法的可靠性。

紧束缚模型与格林函数方法

紧束缚模型以原子轨道为基函数，通过跃迁矩阵元 t 描述电子在相邻原子间的跳跃。它提供了能带结构的直观物理解，特别适用于d电子主导的过渡金属氧化物。

格林函数方法是处理多体问题的强大数学框架。自能（self-energy）Σ(ω) 概括了电子与环境的所有相互作用，可以自然地描述寿命效应和准粒子谱权重。

机器学习在凝聚态物理中的崛起

近年来，机器学习正在深刻改变凝聚态物理的研究范式：

材料发现与筛选：基于已知的材料数据库（如Materials Project），训练模型预测新材料的带隙、形成能和稳定性，加速材料搜索。
力场开发：机器学习势函数（如Neural Equivariant Potentials）将第一性原理精度与分子动力学速度结合，实现了大尺度模拟的精度突破。
性质预测：从结构预测光学性质、催化活性和超导转变温度。

机器学习在凝聚态物理中的角色正在从"性质预测"走向"方程求解"：神经网络可以学习密度泛函的结果并加速分子动力学几个数量级，也可以直接拟合量子蒙特卡洛的波函数。这类方法的价值不是取代物理模型，而是把物理模型的计算瓶颈交给数据——模型的解释力仍然来自物理，速度来自数据。

计算物理已成为凝聚态物理的第三大支柱。DFT使我们能够"在计算机上合成"新材料，MD让我们"看到"原子的运动，QMC让我们处理经典方法无法企及的强关联问题。随着计算能力的持续增长和机器学习工具的成熟，计算物理在材料发现和设计中的角色将越来越重要。

作者与出处

来源：灏天文库

整理：灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流