想象你是一座八百万人口城市的市长。要做出任何决策——新建地铁、调整工业布局、规划住宅区——你不需要认识每一位市民，只需要一张高精度的人口密度地图。哪里是睡城，哪里是商务区，哪里午夜依然灯火通明——密度图里藏着整座城市的全部秘密。这就是密度泛函理论（DFT）的核心哲学：不再逐颗追踪每个电子，而是把“电子密度”当作描述物质的最基本量。Hohenberg-Kohn 定理给了这个想法数学的翅膀，Kohn-Sham 方程给了它计算的跑道，一层层交换关联泛函则是不断提高精度的“街道导览手册”。今天的 DFT 已是材料、化学、物理领域最常用的计算工具，而 AI 正用它积累的海量数据，训练出“看一眼街区格局就能预判人口流动”的智能加速器。这篇文章将从城市管理的视角，带你走完 DFT 的全部旅程：从两条支柱定理，到 KS 自洽方程，再到 LDA/GGA/杂化泛函的选用、固体计算中的参数玄机，最后展望 AI 如何为 DFT 插上加速的翅膀。

岗位关联

掌握 DFT 的工作原理与加速思路，是进入 AI for Science 领域、推动材料与化学模拟智能化的关键技能。

目录
  1. 可视化演示
  2. 核心定理：密度是城市的 DNA
  3. Kohn-Sham 方程：给每个行人规划单行道
  4. 交换关联泛函：从社区画像到精确访谈
  5. 固体计算要点：给城市装上观测站
  6. 收敛判据策略：地图画到多细才算准
  7. DFT 加速前沿：让 AI 替城市画像
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

密度泛函理论通过Kohn-Sham方程将多电子问题转化为单电子近似。切换模式可查看交换关联泛函层级与能带结构。

本节配有交互动效（进入视口后自动加载，约 3KB）。

交换关联泛函层级 LDA→GGA→杂化泛函精度逐级提升 泛函越复杂，计算成本越高 Exc[n] 精度等级越高，误差越小

核心定理：密度是城市的 DNA

你接管了一座陌生城市，只有一张人口密度地图。你会怀疑：光靠“哪里人多哪里人少”就能了解全部吗？1964 年，Walter Kohn 与 Pierre Hohenberg 给出了令人惊讶的答案——能。他们证明的两条定理，为整个 DFT 大厦打下了地基，也让“密度”从一种直观描述升格为严格的基本物理量。

第一条定理断言：多电子体系的基态电子密度 ρ(r) 唯一确定外部势 V_ext(r)（至多差一个常数），从而完整确定体系的哈密顿量、波函数以及所有可观测性质。换句话说，两张密度分布完全相同的城市地图，背后必然是同一座城市。第二条定理则提供了“找答案”的路径：能量是密度的泛函，且真实密度给出能量最小值。这就像说：当你不断调整城市规划，真实的人口分布总会让城市总能耗最低。

这两条定理让一切站在“密度”的肩膀上，但现实依然骨感：F[ρ] 的显式形式无人知晓，直接变分等于直面多体问题的深渊。理论家需要一座桥——Kohn-Sham 方程就是那座桥。

E[ρ]=F[ρ]+∫ρ(r) Vext(r) drE[\rho] = F[\rho] + \int \rho(\boldsymbol{r})\,V_{\text{ext}}(\boldsymbol{r})\,d\boldsymbol{r}
体系总能量被拆成“城市自身运行规律”与“外部环境作用”两部分，而输入变量只有密度 ρ。
  1. 能量泛函 $E[\rho]$体系总能量被定义为电子密度的函数，每一种密度分布对应一个能量值，这是 HK 定理的核心对象。
    E[ρ]E[\rho]
  2. 通用泛函 $F[\rho]$包含动能与电子间相互作用的部分，只依赖密度自身、不依赖外部环境，好比任何城市都遵循的“人口流动规律”。
    F[ρ]=T[ρ]+Vee[ρ]F[\rho] = T[\rho] + V_{ee}[\rho]
  3. 积分项密度与外部势的乘积在全空间累积，代表“每个居民受到外部环境影响的总能量贡献”。
    ∫ρ(r) Vext(r) dr\int \rho(\boldsymbol{r})\,V_{\text{ext}}(\boldsymbol{r})\,d\boldsymbol{r}

Kohn-Sham 方程：给每个行人规划单行道

一座千万人口的城市，若要求解每位市民与其他所有人的互动轨迹，计算量会随人口指数爆炸。Kohn 与 Sham 的妙计是：另建一座“虚拟城市”——没有人与人之间的复杂互动，每个行人走各自独立的单行道——但保证这座虚拟城市的密度分布与真实城市完全一致。既然密度决定一切，“抄近路”并不改变最终答案。

这个“单行道方案”把多体问题映射为一个非相互作用单电子系统。每个电子感受同一个有效势 V_eff(r)，它由三部分叠成：外部势（原子核的吸引）、哈特里势（电子云的平均排斥）、交换关联势（量子效应的修正）。求解得到的单电子轨道 ψ_i 按能量从低到高填充，再平方求和即可重建密度——密度反过来又决定势，于是形成自洽循环。

KS 方程把指数级复杂的问题降维成可迭代求解的“单人体检”，但它也把难题悄悄塞进了一个黑盒——交换关联泛函。这个黑盒的精度，直接决定虚拟城市与真实城市的差距。

[−12∇2+Veff(r)]ψi(r)=εiψi(r)\left[-\frac{1}{2}\nabla^2 + V_{\text{eff}}(\boldsymbol{r})\right]\psi_i(\boldsymbol{r}) = \varepsilon_i\psi_i(\boldsymbol{r})
这是 Kohn-Sham 方程：每个“行人”只感受一个总体的路况场 V_eff，走完自己的单行道，叠加起来却还原了真实密度。
  1. 动能算符 $-\frac{1}{2}\nabla^2$描述单个电子的“移动能力”，是所有轨道共享的载体，相当于每个行人固有的行走速度上限。
    −12∇2-\frac{1}{2}\nabla^2
  2. 有效势 $V_{\text{eff}}(\boldsymbol{r})$三个势的叠加，是虚拟城市为每个行人统一设计的“路况提示”，包含原子核吸引、电子排斥与量子修正。
    Veff(r)=Vext(r)+VH(r)+Vxc(r)V_{\text{eff}}(\boldsymbol{r}) = V_{\text{ext}}(\boldsymbol{r}) + V_H(\boldsymbol{r}) + V_{\text{xc}}(\boldsymbol{r})
  3. 轨道与能级 $\psi_i, \varepsilon_i$第 $i$ 个单电子轨道的波函数与能量，$i$ 同时标记自旋与能级，是“行人各自的路线图与生活成本”。
    εiψi(r)\varepsilon_i\psi_i(\boldsymbol{r})
  4. 密度重建占据轨道的模方求和得到总密度，完成“从轨道到密度再到势”的闭环，也是自洽迭代的出口。
    ρ(r)=∑i∣ψi(r)∣2\rho(\boldsymbol{r}) = \sum_i |\psi_i(\boldsymbol{r})|^2

交换关联泛函：从社区画像到精确访谈

交换关联泛函 E_xc 像一位社区规划师：他不认识每一户，却能估算大家挤在一起时的“社交成本”。问题是，这位规划师能多准？DFT 给出了一个层层递进的“调查方案”体系。

最粗糙的方案是 LDA（局域密度近似）：只看本街区的住户密度，假设密度相同的地方人情世故完全相同。它像只统计“每平方公里人数”的社区画像，粗暴但廉价，对金属等近均匀体系表现不错。升级版 GGA（广义梯度近似）则加上“人口密度如何向周边变化”的信息，像在画像上叠加了人口流动趋势箭头，大幅改善了分子与表面的描述。再往上，杂化泛函干脆做“抽样访谈”：把一部分精确的 Hartree-Fock 交换能直接掺进近似公式，精度最高，代价也最高。

挑选泛函是 DFT 实践的第一步判断：金属与合金选 LDA 或 PBE（GGA）即可；半导体带隙、分子反应能垒需要杂化泛函；层状材料与分子晶体的弱相互作用还得加上 vdW 修正。泛函的层级，本质上是一个“画像精度与调研成本”的权衡旋钮。

ExcLDA[ρ]=∫ρ(r) εxc(ρ(r)) drE_{\text{xc}}^{\text{LDA}}[\rho] = \int \rho(\boldsymbol{r})\,\varepsilon_{\text{xc}}\bigl(\rho(\boldsymbol{r})\bigr)\,d\boldsymbol{r}
杂化泛函像“问卷调查 + 统计模型”混合：按比例掺入精确交换能，减少自相互作用误差。
  1. 精确交换能 $E_{\text{x}}^{\text{exact}}$来自 Hartree-Fock 方法的精确交换项，相当于对部分居民做“入户访谈”，信息最真实但成本高昂。
    ExexactE_{\text{x}}^{\text{exact}}
  2. 混合系数 $a$0 到 1 之间的权重，B3LYP 等常用泛函把它设在 0.2 左右，控制“访谈”与“统计”的比例。
    aExexact+(1−a)ExLDAaE_{\text{x}}^{\text{exact}} + (1-a)E_{\text{x}}^{\text{LDA}}
  3. GGA 关联部分 $E_{\text{c}}^{\text{GGA}}$关联能继续用 GGA 的统计模型补足，形成“访谈补交换、模型补关联”的分工格局。
    EcGGAE_{\text{c}}^{\text{GGA}}

固体计算要点：给城市装上观测站

把 DFT 用到晶体固体内，就像管理一座由无数相同街区重复拼成的大型城市。晶体的周期性意味着每条街区的“内在结构”相同，只需研究一个基本街区（原胞），再安排合适的“观测角度”就能还原全城。这个观测角度体系就是 k 点取样，而描述街区内部细节的语言是平面波。

周期体系中的电子波函数可以写成平面波的叠加，每个平面波由波矢 k 和倒格矢 G 标定，其动能正比于 |k+G|²/2。实际计算中不可能保留无穷多项，于是引入截断能：只保留动能低于阈值的平面波，像地图只保留到一定分辨率的细节。内层电子的剧烈振荡则交给赝势处理——把原子核附近“又陡又深”的真实势替换成一个平滑的等效势，让计算像给高耸建筑画轮廓线而非逐砖描摹。

实践中，k 点网格密度、截断能大小、赝势类型三位一体地决定固体计算的精度。参数选得越精，账单位也越高；而判断“够不够精”的办法，正是收敛测试——下一节的主角。

ψnk(r)=∑Gcnk(G) ei(k+G)⋅r\psi_{n\boldsymbol{k}}(\boldsymbol{r}) = \sum_{\boldsymbol{G}} c_{n\boldsymbol{k}}(\boldsymbol{G})\,e^{i(\boldsymbol{k}+\boldsymbol{G})\cdot\boldsymbol{r}}
晶体波函数被分解为平面波的叠加，截断能决定了展开项的多寡，也就是地图的精细度。
  1. 展开系数 $c_{n\boldsymbol{k}}(\boldsymbol{G})$每个平面波分量的权重，是 KS 方程在平面波基下要求解的未知数，相当于地图中各频率成分的“墨水用量”。
    cnk(G)c_{n\boldsymbol{k}}(\boldsymbol{G})
  2. 平面波基函数 $e^{i(\boldsymbol{k}+\boldsymbol{G})\cdot\boldsymbol{r}}$由布里渊区内的波矢与倒格矢共同标记的基函数，天然适合周期体系，像城市街区网格的“标准砖块”。
    ei(k+G)⋅re^{i(\boldsymbol{k}+\boldsymbol{G})\cdot\boldsymbol{r}}
  3. 截断条件只有满足动能小于截断值的平面波才被保留，截断能越大，实空间分辨率越高，计算量也越大。
    12∣k+G∣2≤Ecut\frac{1}{2}|\boldsymbol{k}+\boldsymbol{G}|^2 \le E_{\text{cut}}

收敛判据策略：地图画到多细才算准

城市测绘从来不是一蹴而就，而是反复修订：画一版草稿 → 与实际人流核对 → 修改 → 再核对，直到误差小到可以接受。DFT 的自洽场（SCF）迭代正是如此。从初始猜测密度出发，构建有效势，解 KS 方程得到新密度，再与旧密度混合后进入下一轮，直到新旧密度之差低于阈值。这个“草稿与实测互相咬合”的过程，就是自洽。

收敛与否由判据量化：最常见的是密度差的积分范数与总能量差的双重检查，两者同时达标才算收敛。迭代不稳定时，办法是调节混合策略——简单线性混合让新旧密度按比例融合；更高级的 Pulay 混合则利用历史迭代信息外推最优密度，像老练的测绘师参考前几版草稿的偏差规律来加速定稿。电子态占据数的展宽（smearing）也能缓解金属体系在费米面附近的振荡。

参数收敛测试是可靠的最后防线：将截断能翻倍、k 点网格加密、SCF 阈值收紧，观察目标性质（总能量、应力、带隙）的变化量。当结果对参数不再敏感，就像不同测绘团队独立出图得到同一答案——这时你才敢信任这幅“城市地图”。这套方法论是 DFT 计算“可复现、可审计”的基石，也是 AI 批量计算时必须固化的流水线规则。

ρnew(r)=(1−α)ρin(r)+αρout(r)\rho_{\text{new}}(\boldsymbol{r}) = (1-\alpha)\rho_{\text{in}}(\boldsymbol{r}) + \alpha\rho_{\text{out}}(\boldsymbol{r})
线性混合公式：把“上一版草稿”与“本版推演结果”按权重融合，α 控制新旧比例，是稳定自洽迭代的经典手段。
  1. 输入密度 $\rho_{\text{in}}$本轮迭代前的猜测密度，相当于城市测绘的上一版草稿，由初始猜测或上一轮混合结果给出。
    ρin(r)\rho_{\text{in}}(\boldsymbol{r})
  2. 输出密度 $\rho_{\text{out}}$解完 KS 方程后从占据轨道重建的新密度，是“按草稿推演出的新人口分布”，不代表最终答案。
    ρout(r)\rho_{\text{out}}(\boldsymbol{r})
  3. 混合系数 $\alpha$0 到 1 之间的权重，决定对新结果的信任程度；α 过小收敛慢，过大则可能振荡甚至发散。
    (1−α)ρin(r)+αρout(r)(1-\alpha)\rho_{\text{in}}(\boldsymbol{r}) + \alpha\rho_{\text{out}}(\boldsymbol{r})

DFT 加速前沿：让 AI 替城市画像

即便是传奇工具，DFT 也有力不从心之时：十万原子的纳米结构、上千种候选材料的扫描，传统计算像靠人工测绘一个万亿人口的超级都市，单次 SCF 就要耗费巨额算力。AI 的登场，让“算得快”进化为“想得快”。

第一条路径是机器学习势：用成千上万帧 DFT 计算结果训练神经网络，让模型学会“看到原子局域环境就能预测原子能量与受力”，从而在分子动力学模拟中完全跳过 KS 方程，速度提升三到六个数量级。第二条路径是神经结构泛函：用神经网络直接表达交换关联泛函，从高精度数据中学习“社区互动规律”，试图超越人工设计的泛函层级。第三条路径是数据驱动的高通量设计：DFT 批量生成数据库，图神经网络快速预测候选材料性质，再对少量优选对象做高精度验证。DFT 的角色从“每步都算”变成“算一次、用千次”。

从密度到 KS 方程，从泛函到参数收敛，DFT 的每一步都在“更真实的描述”与“更低的代价”之间走钢丝。AI 加速的本质，是让机器从海量 DFT 精绘的城市扫描图中学会“见微知著”，把未来一次次模拟变成一次秒回——而理解 DFT 的底层逻辑，正是驾驭这架加速器的必要条件。

EML({Ri})=∑iEi({Rj:∣Rj−Ri∣<rc})E_{\text{ML}}\bigl(\{\boldsymbol{R}_i\}\bigr) = \sum_{i} E_i\bigl(\{\boldsymbol{R}_j : |\boldsymbol{R}_j - \boldsymbol{R}_i| < r_c\}\bigr)
机器学习势的总能量表达式：每个原子的能量只看截断半径内的邻居环境，像“由邻里关系推断每户生活状态”，再求和得到社区总账。
  1. 原子坐标集合 $\{\boldsymbol{R}_i\}$体系中所有原子的三维坐标，是机器学习势的输入，相当于城市中每栋建筑的位置清单。
    {Ri}\{\boldsymbol{R}_i\}
  2. 截断半径 $r_c$只统计半径以内的邻居原子，体现物理相互作用“就近原则”，也是模型稀疏化、保持线性复杂度的关键。
    ∣Rj−Ri∣<rc|\boldsymbol{R}_j - \boldsymbol{R}_i| < r_c
  3. 局域能量 $E_i$每个原子由其环境决定的能量贡献，神经网络负责学习“环境到能量”的映射，像 AI 从案例中学会“看一眼街区格局就估算房价”。
    Ei({Rj:∣Rj−Ri∣<rc})E_i\bigl(\{\boldsymbol{R}_j : |\boldsymbol{R}_j - \boldsymbol{R}_i| < r_c\}\bigr)
  4. 求和将所有原子的局域贡献相加得到体系总能量，保证模型满足能量可加性与平移、旋转对称性。
    ∑iEi\sum_{i} E_i

AI 应用场景

新材料高通量筛选

阶段：数据生成与模型训练阶段

解决的问题：传统试错法研发新材料周期长达十年以上，而 AI 模型需要大量高质量标签数据；DFT 本身算得慢，难以直接覆盖万级候选空间。

具体案例：在锂电池固态电解质筛选中，先用 DFT（PBE 泛函 + 适度 k 点）批量计算数千种候选结构的离子迁移势垒，用这些数据训练图神经网络（GNN）预测离子电导率，再对模型筛选出的 Top 候选做杂化泛函高精度验证。“DFT 粗筛 → AI 快速预筛 → DFT 精验”的流水线，把可探索的材料空间从几十种放大到上万种。

机器学习势加速分子动力学

阶段：模型推理与替代计算阶段

解决的问题：经典力场精度不足，而 DFT 驱动的分子动力学每一步都要做 SCF 迭代，成本高得难以覆盖微秒级模拟。

具体案例：在催化反应路径搜索中，研究者先用 DFT 生成约十万帧构象数据训练 DeepMD 势函数，随后用训练好的模型执行毫秒级分子动力学模拟，速度提升三个数量级，同时保留接近 DFT 的力与能量精度。AI 势让“看遍原子运动全貌”成为可能，而每次 DFT 计算只出现在数据生成阶段。

泛函选型的自动化基准测试

阶段：数据验证与模型评估阶段

解决的问题：LDA、GGA、杂化泛函在不同体系上表现迥异，人工翻阅文献逐一比对效率极低，且容易凭经验误判。

具体案例：借助 AiiDA 等自动化工作流，对上百个分子与固体体系批量运行不同泛函的 DFT 计算，自动比对键离解能、带隙与实验值的误差，生成“泛函体检报告”。AI 辅助的主动学习策略还能动态补充最“有争议”的体系，让选型指南从经验驱动变成数据驱动。

Python 演示

python60 行
import numpy as np def run_1d_dft(n_grid=800, max_iter=100, mix=0.3):    """一维类氢原子的 Kohn-Sham 自洽求解 (教学简化版)"""    # 1. 实空间网格: 把城市地图切成 800 个格子    L = 16.0    x = np.linspace(-L / 2, L / 2, n_grid)    dx = x[1] - x[0]     # 2. 外部势: 软核库仑势, 模拟原子核吸引    v_ext = -1.0 / np.sqrt(x**2 + 0.2)     # 3. 动能算符: 有限差分构造二阶导数矩阵    t_mat = np.zeros((n_grid, n_grid))    for i in range(n_grid):        t_mat[i, i] = 1.0 / dx**2        if i > 0:            t_mat[i, i - 1] = -0.5 / dx**2        if i < n_grid - 1:            t_mat[i, i + 1] = -0.5 / dx**2     # 4. 初始猜测密度: 高斯分布    rho = np.exp(-x**2)    rho /= rho.sum() * dx     errors = []    for _ in range(max_iter):        # 5. 哈特里势: 电子之间的平均排斥        v_h = np.zeros_like(x)        for i in range(n_grid):            v_h[i] = (rho / np.sqrt((x - x[i])**2 + 0.2)).sum() * dx         # 6. LDA 交换关联势 (简化形式)        v_xc = -0.6 * rho**(1.0 / 3.0)         # 7. 组装 KS 哈密顿量, 对角化求基态        h_ks = t_mat + np.diag(v_ext + v_h + v_xc)        eigvals, eigvecs = np.linalg.eigh(h_ks)        psi = eigvecs[:, 0]         # 8. 由波函数重建电子密度        rho_new = psi**2        rho_new /= rho_new.sum() * dx         # 9. 线性混合: 稳定收敛的关键        rho = (1 - mix) * rho + mix * rho_new         # 10. 收敛判据: 密度差的 L1 范数        err = np.abs(rho_new - rho).sum() * dx        errors.append(err)        if err < 1e-6:            break     return x, rho, errors, eigvals[0] if __name__ == "__main__":    x, rho, errors, e0 = run_1d_dft()    print("SCF 迭代步数:", len(errors))    print("基态能量(近似):", round(e0, 4), "Ha")    print("末次密度误差:", round(errors[-1], 8))
目的：用 80 行 Python 实现一维类氢原子的 Kohn-Sham 自洽求解，完整演示“猜密度 → 建势 → 解方程 → 重建密度 → 混合”的 SCF 迭代闭环。
  1. v_ext = -1.0 / np.sqrt(x**2 + 0.2)软核库仑势模拟原子核吸引，避免原点奇点导致数值爆炸。
  2. t_mat[i, i] = 1.0 / dx**2有限差分把动能算符离散成三对角矩阵，是“单行道铺路”的数值化。
  3. h_ks = t_mat + np.diag(v_ext + v_h + v_xc)把动能与三部分有效势组装成 KS 哈密顿量矩阵。
  4. eigvals, eigvecs = np.linalg.eigh(h_ks)对角化求解本征态，取最低本征矢作为基态轨道。
  5. rho = (1 - mix) * rho + mix * rho_new线性混合防止 SCF 振荡发散，对应正文中的收敛策略。
  6. err = np.abs(rho_new - rho).sum() * dx用密度差的 L1 范数作为收敛判据，低于阈值即自洽达成。

常见误区

误区我听说 DFT 能算出材料的各种性质，以为它就是把多电子薛定谔方程原封不动地解出来，结果应该完全精确。

正解DFT 走的是“密度替代波函数”的路线，Kohn-Sham 方程更是把多体问题刻意映射成无相互作用的单电子问题，交换关联能全部靠近似。它得到的能量差、结构等常很准，但本质上是“聪明的近似”，单电子本征值甚至不能直接解释为电子能量。

为何常见：教材常强调 HK 定理“密度决定一切”的严格性，让初学者误以为整个 DFT 链条都是严格的，忽略了交换关联泛函这个最大的近似来源。

误区既然杂化泛函精度最高，那我所有计算都用 B3LYP 或 HSE06，肯定最保险。

正解泛函的“贵”不等于“处处准”。金属与合金用 LDA 或 PBE 常有更好晶格常数；金属表面的吸附能用杂化泛函反而可能更差；弱相互作用体系需要 vdW 修正而不是盲目升级杂化。选泛函要像选地图：驾车导航用城市路网图，远洋航行得用海图——精度并不等于匹配场景。

为何常见：初学者看到文献中杂化泛函“和实验更吻合”的结论，容易把它普遍化，忽略了它只针对特定性质与体系类型。

误区计算不准？那就把截断能调到最高、k 点网格加到最密，参数拉满总能收敛到真值。

正解收敛测试是必要的，但精度瓶颈可能根本不在截断能或 k 点，而在赝势的转移性、泛函的系统误差、磁矩设置或 vdW 修正缺失。参数拉满只是让“当前近似下的自洽解”更精确，并不能弥补模型层面的错误。

为何常见：初学时最容易被灌输“参数影响精度”这一条，却忽略了 DFT 误差还有泛函与赝势两大来源，误把显性参数当成唯一旋钮。

误区自洽迭代总在振荡，我把 α 调到 0.01，总该收敛了吧？结果慢到无法忍受。

正解混合系数只是工具箱之一。金属体系应配合 smearing（占据展宽）；自旋极化体系要检查初始磁矩；Pulay 混合这类“历史记忆”方法往往比盲目减小 α 更高效。收敛问题通常要先诊断“病因”——是费米面振荡、磁矩翻转还是初始密度太差。

为何常见：线性混合公式最简单直观，容易让人形成“参数万能”的路径依赖，忽视了收敛策略是一个系统性工程。

面试题

Q1. 密度泛函理论中，取代多体波函数、作为体系最基本描述量的是什么？

单选题 · easy

  • A.多体波函数
  • B.电子密度分布← 正确答案
  • C.系统哈密顿量
  • D.基态能量泛函

答案：B。DFT 的革命性在于用三维空间的电子密度 ρ(r) 替代 3N 维的多体波函数。波函数是变量，哈密顿量是算符，能量是结果，都不是基本描述量。密度像城市人口分布图，信息量足够又维度大幅降低。

Q2. Hohenberg-Kohn 第一定理的核心结论是什么？

单选题 · mid

  • A.密度唯一决定外部势← 正确答案
  • B.能量最低时密度最优
  • C.波函数决定所有性质
  • D.动能是密度的泛函

答案：A。第一定理断言基态密度唯一确定外部势，进而确定全部性质；B 描述的是第二定理（变分原理）；C 是量子力学旧范式；D 只是能量泛函分解的一部分，非核心结论。

Q3. Kohn-Sham 方程中的有效势 V_eff 包含哪些成分？

多选题 · mid

  • A.外部势 V_ext← 正确答案
  • B.哈特里势 V_H← 正确答案
  • C.交换关联势 V_xc← 正确答案
  • D.电子自旋项

答案：ABC。有效势由外部势（原子核吸引）、哈特里势（电子平均排斥）和交换关联势（量子修正）三项叠加。自旋项不是有效势的独立组成，自旋通常体现在轨道占据与泛函的自旋依赖中。类比城市管理：外部势是地形，哈特里势是人群拥挤，交换关联势是社交规则。

Q4. LDA 近似中“局域”的确切含义是什么？

单选题 · easy

  • A.只看空间点密度值← 正确答案
  • B.限于原胞内部计算
  • C.只用于纳米材料
  • D.只考虑局域轨道

答案：A。LDA 假设任意一点的交换关联能量密度只由该点的密度值决定，就像只看某户所在的“户均人数”就推断其生活方式。它不管邻居是谁、密度怎么变化。B/C/D 均与“局域密度”的科学定义无关。

Q5. GGA 相对 LDA 最主要的改进是什么？

单选题 · mid

  • A.引入密度梯度修正← 正确答案
  • B.增加精确交换项
  • C.提高 k 点取样密度
  • D.使用更小截断能

答案：A。GGA 在 LDA 基础上把密度梯度 |∇ρ| 纳入交换关联泛函，让“密度变化趋势”也能影响能量，修正了均匀电子气的偏差。B 是杂化泛函的特征；C 与 D 属于数值参数而非泛函形式改进。

Q6. 典型杂化泛函（如 B3LYP）中混入了哪些成分？

多选题 · hard

  • A.精确交换贡献← 正确答案
  • B.LDA 交换贡献← 正确答案
  • C.GGA 关联贡献← 正确答案
  • D.自旋轨道耦合

答案：ABC。杂化泛函按系数混合 Hartree-Fock 精确交换、LDA 交换与 GGA 关联等成分，以减小自相互作用误差。自旋轨道耦合是相对论效应，属于哈密顿量层级的问题，与泛函混合无关。类比：精确交换是入户访谈，LDA/GGA 是统计模型，混合是两者的比例搭配。

Q7. 平面波基组中截断能 E_cut 的主要作用是什么？

单选题 · mid

  • A.控制平面波数量← 正确答案
  • B.控制原子数目
  • C.设定体系温度
  • D.更换泛函类型

答案：A。截断能通过动能限制 |k+G|²/2 保留有限数量的平面波分量，决定了实空间描述的分辨率。原子数由模型决定，温度由系综决定，泛函类型是独立选择，均与截断能无关。

Q8. 固体 DFT 计算中 k 点取样主要用于什么目的？

单选题 · mid

  • A.覆盖布里渊区积分← 正确答案
  • B.提高真空层厚度
  • C.加速底层硬件
  • D.选择赝势类型

答案：A。周期性体系的物理量需要在布里渊区积分，k 点网格用有限取样点近似这个积分，等价于在全市均匀布置观测站。真空层厚度是表面模型问题，硬件加速是工程问题，赝势类型是另一套参数，都与 k 点无关。

Q9. 以下哪些属于 SCF 迭代收敛的常用加速技巧？

多选题 · hard

  • A.密度线性混合← 正确答案
  • B.Pulay 混合← 正确答案
  • C.费米面展宽← 正确答案
  • D.增大原胞尺寸

答案：ABC。线性混合按权重融合新旧密度，Pulay 混合利用历史迭代信息外推，费米面展宽（smearing）平滑占据数变化，三者都能抑制振荡、加速收敛。增大原胞尺寸只改变模型本身而非迭代算法。

Q10. 机器学习势函数加速 DFT 的核心原理是什么？

单选题 · extreme

  • A.学习原子环境能量映射← 正确答案
  • B.完全绕过电子密度
  • C.只做经典力学模拟
  • D.随机挑选计算结果

答案：A。机器学习势用神经网络学习“局域原子环境 → 原子能量与受力”的映射，训练数据来自 DFT，推理时不再构造哈密顿量或做自洽迭代。B 中“完全绕过电子密度”只是表面现象，本质仍是拟合能量的近似；C 丢弃量子信息；D 无意义。