在材料世界里，晶体是一群原子按特定规律搭起来的“微型建筑”。AI 像一位经验丰富的建筑师，凭借从海量图纸里学到的直觉，几秒钟就能画出几百种新奇的原子排列方案。但这些“图纸”能不能真的盖起来？会不会一碰就散架？这时候，需要一位严格的“结构工程师”出场——它叫 DFT（密度泛函理论）。DFT 不问经验，只认量子力学的基本定律，它会把每一份图纸拆开，逐根柱子、逐面墙做受力分析，最终打出一个“稳定度评分”:能量越低，建筑越稳。晶体结构预测，就是 AI 建筑师负责天马行空地出方案，DFT 工程师负责一丝不苟地把关验收。两者的配合，让材料科学家从“大海捞针”变成了“批量寻宝”。本文就用这套比喻，带你走一遍 DFT 验证的完整旅程。

岗位关联

读完这篇，你将理解 AI 预测材料结构与 DFT 验证之间的“质检闭环”,掌握判断 AI 预测结果是否可靠的核心标尺——这是从“模型炼丹”走向“科学发现”的关键一步。

目录
  1. 可视化演示
  2. DFT基本原理
  3. 验证工作流
  4. 泛函与精度
  5. 收敛与加速
  6. 复杂体系挑战
  7. AI+DFT协同
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示DFT结构输入、SCF能量迭代计算与收敛验证，理解用密度泛函理论验证AI预测晶体结构。

本节配有交互动效（进入视口后自动加载，约 3KB）。

结构输入：晶体结构 原子 成键 crystal AI预测结构输入

DFT基本原理

你去验收一栋刚刚竣工的楼，不需要追踪每一块砖头在空中画过的抛物线，只需要拿到一张全楼的“承重分布图”,就能判断它会不会倒。DFT 的哲学正是如此：放弃追踪每一个电子的精确轨迹，把“电子密度分布”当作唯一的核心变量——它相当于材料的“承重分布图”。

1964 年，Hohenberg 和 Kohn 两位物理学家证明了两个重要定理：基态能量由电子密度唯一决定；密度变分原理保证能量最低的密度就是真实基态密度。于是，一个包含 3N 个坐标的多体波函数问题，被压缩成了三维空间里的密度函数问题。Kohn 和 Sham 随后把“一堆电子互相推搡”的难题，改写为“每个电子都在一个平均有效场中独立行走”的单电子方程：

工程师手里既然有了从“电子密度分布图”反推全部力学指标的算法，接下来就能对建筑师交上来的每一份图纸做量化打分——这是整个 DFT 验证大厦的第一块地基。

[−ℏ22m∇2+Veff(r)]ψi(r)=εiψi(r)\displaystyle \left[-\frac{\hbar^{2}}{2m}\nabla^{2} + V_{\text{eff}}(\mathbf{r})\right]\psi_{i}(\mathbf{r}) = \varepsilon_{i}\psi_{i}(\mathbf{r})
  1. 动能算符项$-\frac{\hbar^{2}}{2m}\nabla^{2}$ 描述单个电子的“运动惯性”,代表自由运动的动能贡献。
    −ℏ22m∇2\displaystyle -\frac{\hbar^{2}}{2m}\nabla^{2}
  2. 有效势场$V_{\text{eff}}(\mathbf{r})$ 是原子核吸引、其他电子排斥以及交换关联的“平均环境”,让每个电子仿佛在背景场中独自行走。
    Veff(r)\displaystyle V_{\text{eff}}(\mathbf{r})
  3. 轨道与能量$\psi_{i}(\mathbf{r})$ 和 $\varepsilon_{i}$ 分别是第 $i$ 个“轨道波函数”与它的本征能量，它们是方程的解。
    ψi(r),εi\displaystyle \psi_{i}(\mathbf{r}), \quad \varepsilon_{i}
  4. 密度重建求解所有占据轨道后，用 $\rho(\mathbf{r}) = \sum_{i}|\psi_{i}(\mathbf{r})|^{2}$ 叠加出电子密度，回到“承重分布图”。
    ρ(r)=∑i∣ψi(r)∣2\displaystyle \rho(\mathbf{r}) = \sum_{i}|\psi_{i}(\mathbf{r})|^{2}

验证工作流

建筑师 AI 递来一摞图纸，工程师 DFT 不会直接签字。他的审查流程是固定的：先建立简化模型，再反复迭代求解各部位受力，接着汇总成“稳定度评分”,最后把所有方案按评分排序。一套完整的 DFT 验证工作流，通常包含四个环节：生成候选结构、自洽迭代计算、能量对比排序、最优结构筛选。

候选结构可以来自 AI 预测、数据库检索或经验规则。拿到候选后，DFT 会先做“结构优化”——像工程师不断微调柱子的位置和角度一样，让原子的坐标和晶格常数在受力作用下自动弛豫到稳定构型。随后，S C F 自洽迭代反复求解 Kohn-Sham 方程，直到电子密度与有效势彼此一致，得到精确的总能量。最后，把所有候选的能量放在同一把尺子上比较：

工程师在每份图纸上盖下“通过”或“打回”的章，AI 建筑师据此修改下一轮方案。验证工作流的意义，就是把“AI 的直觉”翻译成“物理定律认可的数字”。

ΔE=Ecandidate−Eref\displaystyle \Delta E = E_{\text{candidate}} - E_{\text{ref}}
  1. 候选能量$E_{\text{candidate}}$ 表示某个待验证结构的 DFT 总能量，这是它的“稳定度评分”。
    Ecandidate\displaystyle E_{\text{candidate}}
  2. 参考能量$E_{\text{ref}}$ 是已知相或参考结构的能量，作为比较的基准线。
    Eref\displaystyle E_{\text{ref}}
  3. 稳定性判断$\Delta E < 0$ 说明候选比参考相更稳定；反之则需要更多证据，甚至直接淘汰。
    ΔE=Ecandidate−Eref<0\displaystyle \Delta E = E_{\text{candidate}} - E_{\text{ref}} < 0

泛函与精度

工程师手里的计算工具也有不同档位：LDA 是“心算快速估算”,GGA 是“标准工程计算器”,杂化泛函则是“精密有限元软件”。这三组工具，对应着 DFT 中“交换关联泛函”的精度阶梯。

LDA（局域密度近似）假设某点的交换关联能只与该点的电子密度有关，像只看图纸局部密度的粗略算法。GGA（广义梯度近似）在 LDA 基础上加入了密度梯度这一项，把“密度变化得有多陡”也纳入考量，从而更贴近真实。杂化泛函 HSE 则混入了一部分精确交换能，精度更高，但计算成本也随之陡增。GGA 的交换关联能可以写成如下形式：

预算充足时用高精度档，大规模筛选时用快速档。经验丰富的工程师懂得根据体系规模和目标物理量，在“算得准”和“算得起”之间做出取舍。

ExcGGA[ρ]=∫ρ(r) εxc(ρ(r),∣∇ρ(r)∣) dr\displaystyle E_{\text{xc}}^{\text{GGA}}[\rho] = \int \rho(\mathbf{r})\,\varepsilon_{\text{xc}}\big(\rho(\mathbf{r}), |\nabla\rho(\mathbf{r})|\big)\,d\mathbf{r}
  1. 局域密度$\rho(\mathbf{r})$ 是位置 $\mathbf{r}$ 处的电子密度，相当于“图纸上该点的材料用量”。
    ρ(r)\displaystyle \rho(\mathbf{r})
  2. 密度梯度$|\nabla\rho(\mathbf{r})|$ 刻画密度在空间中的“坡度”,这是 GGA 相对于 LDA 的关键改进。
    ∣∇ρ(r)∣\displaystyle |\nabla\rho(\mathbf{r})|
  3. 单点贡献$\varepsilon_{\text{xc}}$ 是单位电子贡献的交换关联能，由密度及其梯度共同决定。
    εxc(ρ(r),∣∇ρ(r)∣)\displaystyle \varepsilon_{\text{xc}}\big(\rho(\mathbf{r}), |\nabla\rho(\mathbf{r})|\big)
  4. 全域积分对整个空间积分，把所有位置的“局部材料特性”汇总为总交换关联能。
    ExcGGA[ρ]=∫ρ(r) εxc(ρ(r),∣∇ρ(r)∣) dr\displaystyle E_{\text{xc}}^{\text{GGA}}[\rho] = \int \rho(\mathbf{r})\,\varepsilon_{\text{xc}}\big(\rho(\mathbf{r}), |\nabla\rho(\mathbf{r})|\big)\,d\mathbf{r}

收敛与加速

验算的精确度，取决于网格细不细。截断能决定了平面波基组的完备程度，相当于有限元网格的密度上限;k 点网格则是对倒空间布里渊区的采样密度。任何一个设置得不够，计算结果都会像网格过粗的图纸一样，细节全部失真。

实际工作中，我们需要做“收敛性测试”:不断加大截断能或 k 点密度，直到总能量和力的变化小于设定阈值。常用的收敛判据是能量差阈值与最大原子力阈值同时满足，例如能量变化低于 $10^{-5}$ eV、最大力低于 $0.02$ eV/Å。这个检查过程可以写成：

除了网格，赝势也是一个加速利器：它把原子芯部那些对化学键影响不大的电子“打包简化”,只精细描述参与成键的价电子，就像工程师只重点核算关键承重构件，而不去逐一检查填充墙里的每一块砖。恰好的精度设置，既保证复核结果可靠，又不让计算慢到无法交付。

∣E(Ecut+ΔEcut)−E(Ecut)∣<δ\displaystyle \big| E(E_{\text{cut}} + \Delta E_{\text{cut}}) - E(E_{\text{cut}}) \big| < \delta
  1. 截断能$E_{\text{cut}}$ 是平面波截断能，低于它就被“网格过滤掉”的高频振荡信息。
    Ecut\displaystyle E_{\text{cut}}
  2. 增量测试$E_{\text{cut}} + \Delta E_{\text{cut}}$ 表示把网格再加密一档，观察能量变化。
    Ecut+ΔEcut\displaystyle E_{\text{cut}} + \Delta E_{\text{cut}}
  3. 收敛阈值$\delta$ 是预设的能量容忍误差，当两次计算的能量差小于它，就认为已收敛。
    ∣E(Ecut+ΔEcut)−E(Ecut)∣<δ\displaystyle \big| E(E_{\text{cut}} + \Delta E_{\text{cut}}) - E(E_{\text{cut}}) \big| < \delta

复杂体系挑战

常规验算之外，总有特殊工况要应对：裂缝（缺陷）、外墙（表面与界面）、磁化钢结构（自旋磁性）、软弱夹层（范德华力）。这些情况如果照搬常规公式，工程师会得出离谱的结论。

对于含缺陷的晶体，常用超胞方法：在一个足够大的周期性盒子中制造一个空位或间隙原子，再对比有缺陷与完美晶体的总能量之差，得到缺陷形成能。表面体系则切成“平板 slab”模型，留出真空层隔离周期性镜像。处理磁性材料时，要使用自旋极化的计算，对自旋向上和向下的电子分别描述；强关联体系还需要 DFT+U 方法修正。层状材料、分子晶体中，范德华色散力至关重要，常用的修正方案是 DFT-D3:

经验丰富的工程师知道何时套用特殊规范。面对真实材料世界里的“刁钻结构”,普通计算只是起点，针对性的修正才是保证验证结论可信的关键。

EDFT-D3=EDFT−∑A<BC6ABRAB6 fd(RAB)\displaystyle E_{\text{DFT-D3}} = E_{\text{DFT}} - \sum_{A < B}\frac{C_{6}^{AB}}{R_{AB}^{6}}\,f_{d}(R_{AB})
  1. 色散系数$C_{6}^{AB}$ 是原子对 $A$、$B$ 之间的经验色散系数，反映“分子间吸力”的强度。
    C6AB\displaystyle C_{6}^{AB}
  2. 原子间距$R_{AB}$ 是两个原子之间的距离，色散能随距离六次方快速衰减。
    RAB6\displaystyle R_{AB}^{6}
  3. 阻尼函数$f_{d}(R_{AB})$ 在短程处压制修正项，避免与 DFT 自带的排斥势发生双重计算。
    fd(RAB)\displaystyle f_{d}(R_{AB})

AI+DFT协同

AI 建筑师与 DFT 工程师最终组成了合伙人事务所：AI 负责快速出草图，DFT 负责严格验算，而验算数据又会沉淀成 AI 的经验库。下一次 AI 出图时更快、更有针对性——这就是“设计—验算—复盘”的飞轮效应。

在这一闭环中，DFT 扮演着“数据标注引擎”的角色，为 AI 提供高可信度的能量标签。AI 模型则先做结构预筛选，把能量面上明显不合理的候选直接过滤，再送 DFT 精算，节省大量算力。更进一步，研究者会训练一个神经网络“代理模型”来拟合 DFT 的能量面，用近似计算代替昂贵的第一性原理计算。代理模型的训练目标通常是最小化预测能量与 DFT 标签之间的误差：

主动学习则进一步引入“挑重点”的策略：每次只把模型最不确定、信息量最大的结构送去 DFT 验证，用最少的算力换取最大的精度提升。AI 负责想象力，DFT 负责原则性，两种能力咬合在一起，才让晶体结构预测真正走向高效与可靠。

L=1N∑i=1N(E^i−EiDFT)2\displaystyle L = \frac{1}{N}\sum_{i=1}^{N}\big(\hat{E}_{i} - E_{i}^{\text{DFT}}\big)^{2}
  1. 预测能量$\hat{E}_{i}$ 是代理模型对第 $i$ 个结构预测的能量，相当于“AI 学徒的估分”。
    E^i\displaystyle \hat{E}_{i}
  2. DFT 标签$E_{i}^{\text{DFT}}$ 是 DFT 工程师给出的标准能量，作为训练用的“标准答案”。
    EiDFT\displaystyle E_{i}^{\text{DFT}}
  3. 均方误差对所有样本的平方偏差取平均，让 AI 学徒的估分不断向工程师的标准答案靠拢。
    L=1N∑i=1N(E^i−EiDFT)2\displaystyle L = \frac{1}{N}\sum_{i=1}^{N}\big(\hat{E}_{i} - E_{i}^{\text{DFT}}\big)^{2}

AI 应用场景

电池正极材料的高通量筛选

阶段：候选生成与 DFT 验证（数据闭环）

解决的问题：传统试错法合成新材料成本高、周期长;AI 虽然能快速生成海量候选结构，却无法判断哪些真的稳定可用。DFT 验证逐一对候选计算能量与电压平台，过滤掉热力学不稳定的相，避免实验人员白做合成。

具体案例：在锂电正极材料筛选中，研究者用图神经网络生成数万种多晶型候选，再用 DFT 计算每种结构的形成能和脱嵌锂电压，最终锁定少数几种既有高容量又结构稳定的材料进入实验合成，把“十年磨一料”压缩到数月。

催化剂表面吸附能验证

阶段：模型推理与物理验证

解决的问题：催化反应的活性往往取决于中间体在催化剂表面的吸附能。AI 可以快速预测吸附构型，但吸附能数值必须可靠，否则火山曲线分析会失真。DFT 对 AI 给出的吸附位点做精确的结构弛豫与能量计算，筛出真正有潜力的催化材料。

具体案例：在 CO2 还原电催化剂研究中，团队用机器学习势预筛上千种合金表面，再用 DFT 精算 *CO 与 *H 吸附能，绘制活性火山图，最后推荐出两种高选择性铜基合金，实验验证与理论预测吻合良好。

材料数据库的持续构建

阶段：数据闭环与模型迭代

解决的问题：AI 模型的精度上限取决于训练数据的质量与覆盖度。DFT 批量验证生成高可信标签，不断补充进 Materials Project 这类开放数据库，让后续 AI 模型在更扎实的数据上持续进化。

具体案例：某研究组搭建自动化流程：AI 从晶体结构数据库中采样候选 → 集群上批量运行 DFT 计算 → 结果自动入库并重新训练代理模型 → 下一轮采样更精准。这套流水线已累计产出十余万条 DFT 能量数据，开源供学界使用。

Python 演示

python41 行
"""一维能量景观上的结构弛豫演示:模拟 AI 生成候选,DFT 验证找最稳定结构。"""import mathimport random  def energy(x):    """模拟 DFT 计算出的总能量(双势阱模型)"""    return 0.01 * x**4 - 0.4 * x**2 + 0.15 * x + 5.0  def force(x):    """能量对坐标的负梯度,即原子受力"""    return -(0.04 * x**3 - 0.8 * x + 0.15)  def relax(x0, lr=0.08, tol=1e-4, max_iter=5000):    """结构弛豫:沿受力方向调整坐标,直到力收敛"""    x = x0    for _ in range(max_iter):        f = force(x)        x -= lr * f        if abs(f) < tol:            break    return x, energy(x)  def main():    random.seed(42)    candidates = [random.uniform(-5, 5) for _ in range(6)]    results = []    for c in candidates:        x_opt, e_opt = relax(c)        results.append((x_opt, e_opt))        print(f"AI 候选结构 x0={c:6.3f} -> DFT 优化后 x={x_opt:6.3f}, E={e_opt:6.3f} eV")    best = min(results, key=lambda r: r[1])    print(f"\n最稳定结构: x={best[0]:.3f}, E={best[1]:.3f} eV")    print("结论: 能量最低的候选通过 DFT 验证, 是真正稳定的结构")  if __name__ == "__main__":    main()
目的：用最简单的双势阱模型演示“AI 提出候选 → DFT 结构弛豫 → 能量对比筛选”的完整验证流程。
  1. def energy(x):相当于 DFT 工程师的“能量评分函数”,这里用双势阱函数模拟真实的能量景观。
  2. def force(x):受力是能量的负梯度，原子总是被“推”向能量更低的方向。
  3. x -= lr * f结构弛豫的核心更新规则：每步沿受力方向微调原子坐标。
  4. if abs(f) < tol:当受力足够小时认为结构已收敛，这正是 DFT 优化中的力收敛判据。
  5. results.append((x_opt, e_opt))记录每个候选结构的验证结果，形成“评分报告”。
  6. min(results, key=lambda r: r[1])在所有候选里挑出能量最低者，即通过验证的稳定结构。

常见误区

误区AI 模型给这个晶体结构打了 95 分，排名第一，它肯定就是真实存在的稳定结构，不需要再算了。

正解AI 的分数来自训练数据中的统计规律，本质是“经验猜测”,而不是物理定律的推论。DFT 验证从量子力学第一性原理出发计算总能量，AI 高分候选在 DFT 里能量很高甚至直接塌缩的情况很常见。建筑师图纸画得再漂亮，也得过结构工程师的受力验算这一关。

为何常见：AI 模型的输出形式（分数、概率）容易让人联想到“确定性结论”,且许多宣传材料只展示成功案例，隐藏了大量被 DFT 淘汰的失败候选。

误区DFT 算出来能量最低，这个结构就一定能在实验中合成出来。

正解DFT 总能量对应的是 0 K 下的静态势能面。真实实验还要考虑温度、零点振动能、构型熵等因素，更严格地应该比较吉布斯自由能。有时能量略高的相反而在室温下稳定出现。工程师算的是静态承重，但建筑还要经得起风雨和温度变化。

为何常见：教材常把“最低能量结构=基态”简化表达，学习者容易忽略热力学条件对相稳定性的影响。

误区结构优化时我只要看总能量有没有降下来就行，不用管原子受力。

正解总能量下降但原子受力没有接近零，说明结构可能还处于鞍点或力不平衡状态，稍微扰动就会滑落。收敛判据必须同时检查能量差（如小于 $10^{-5}$ eV）和最大原子力（如小于 $0.02$ eV/Å）。柱子整体看似不倒，但若某一根受力异常，整栋楼仍然危险。

为何常见：能量是单个数字容易观察，而力是矢量需要看多个分量，初学者倾向于只盯最简单的总能量。

误区杂化泛函最贵，所以用杂化泛函计算所有体系一定比 GGA 准。

正解杂化泛函对半导体带隙、分子性质有显著改善，但对某些金属体系、强关联体系可能并不比 GGA 更好，甚至更差；而且其计算成本随体系尺寸爆炸式增长。泛函的选择要结合体系类型和目标物理量。精密仪器也有适用场景，不是越贵越适合。

为何常见：“贵=好”的日常直觉被简单迁移到计算科学中，忽略了系统误差对具体体系的依赖。

误区DFT 是万能工具，任何材料都能直接算准，包括高温超导、重费米子这类强关联体系。

正解常规 DFT 基于单电子图像和局域/半局域近似，对强电子关联体系会给出定性错误结果，需要 DFT+U、杂化泛函甚至更高级的多体方法（如 DMFT）来补救。再厉害的工程师也有专业边界，认清边界才能选对工具。

为何常见：初学者接触的 DFT 成功案例大多是半导体、金属等“温和”体系，把适用范围误当成了普适真理。

面试题

Q1. DFT 中唯一决定基态性质的基本量是？

单选题 · easy

  • A.电子密度分布← 正确答案
  • B.原子核位置坐标
  • C.晶体对称性对称
  • D.外加压力温度

答案：A。Hohenberg-Kohn 定理指出，基态能量与所有性质都由电子密度唯一决定。波函数虽然也在 Kohn-Sham 方程中出现，但只是辅助的数学工具；原子核坐标、对称性、压力温度都是外部条件而非基本变量。就像工程师只看“承重分布图”就能判断整栋楼是否稳固。

Q2. Hohenberg-Kohn 定理的核心思想是？

单选题 · easy

  • A.能量由电子密度决定← 正确答案
  • B.能量由波函数决定
  • C.能量由原子数决定
  • D.能量由晶格决定

答案：A。HK 定理的核心结论是：基态电子密度唯一决定了体系能量和全部性质，这是 DFT 的理论基石。波函数描述更微观但有 3N 个坐标，原子数和晶格只是影响密度的外部因素，不是理论的核心变量。

Q3. Kohn-Sham 方程中有效势 V_eff 包含？

单选题 · mid

  • A.外势离子势
  • B.哈特里势能
  • C.交换关联势
  • D.以上全部都是← 正确答案

答案：D。Kohn-Sham 方程中的有效势 $V_{\text{eff}}$ 由三部分构成：原子核产生的外势、电子间的 Hartree 库仑势、以及交换关联势。三者共同构成“每个电子感受到的平均环境”,所以正确答案是 D。题目中的 A、B、C 都只是有效势的一部分。

Q4. LDA 与 GGA 泛函的核心区别是？

单选题 · mid

  • A.LDA 只看局部密度
  • B.GGA 考虑密度梯度
  • C.GGA 免费且更精确
  • D.A 和 B 都正确← 正确答案

答案：D。LDA 假设交换关联能只取决于局域密度值，而 GGA 额外引入了密度梯度 $|\nabla\rho|$ 来修正，因此 A 和 B 都是正确描述。C 的说法错误，GGA 计算成本略高于 LDA,而且“更精确”也不是绝对的，要分体系讨论。

Q5. 结构弛豫收敛的判断标准是？

单选题 · mid

  • A.体系总能量降到最低
  • B.原子受力趋于零值← 正确答案
  • C.固定截断能数值
  • D.网格点数量稳定

答案：B。结构优化的核心是让原子移动到受力为零的位置，因此收敛判据必须包含“最大原子力小于阈值”,同时也要看相邻两步的能量差。只降低总能量可能停在鞍点；截断能与网格是 SCF 计算的参数，不是结构弛豫的收敛判据。

Q6. 自洽场 SCF 迭代中的电荷混合主要作用是？

单选题 · mid

  • A.加速收敛防止振荡← 正确答案
  • B.改变晶体原子数
  • C.提升对称性精度
  • D.修改晶格参数

答案：A。SCF 迭代中，旧电荷密度与新产生的电荷密度之间若不加以“混合”,容易在长波方向发生振荡甚至发散。电荷混合（如 Pulay、Anderson 方法）通过加权组合新旧密度来抑制振荡、加速收敛。它不改变原子数、对称性，也不修改晶格。

Q7. 平面波基组截断能过低会造成？

单选题 · hard

  • A.基组不完备不准确← 正确答案
  • B.电子密度自动增大
  • C.对称性自动降低
  • D.原子位置发生漂移

答案：A。截断能决定了平面波基组中高频成分的上限，过低意味着基组不完备，总能量与受力都含有较大误差。它不会让电子密度增大、对称性降低或原子漂移，这些是其他因素导致的现象。收敛测试正是为了排除 A 类误差。

Q8. DFT 验证在结构预测中的作用是？

多选题 · easy

  • A.评估候选结构的能量← 正确答案
  • B.判断各相的相对稳定← 正确答案
  • C.直接合成新材料
  • D.测量真实电子密度

答案：AB。DFT 验证的核心任务是计算候选结构的能量并比较相对稳定性，从而筛选出最可能存在的相。它是在计算机里做“虚拟实验”,不能直接合成材料，也不能替代实验测量电子密度。工程师在图纸上把关，而不是亲自去工地盖楼。

Q9. 处理含缺陷晶体时常用的做法是？

多选题 · hard

  • A.建超胞且做晶格弛豫← 正确答案
  • B.只算完美晶体结构
  • C.对比缺陷形成能← 正确答案
  • D.忽略所有原子受力

答案：AC。缺陷计算通常需要建立足够大的超胞来隔离周期性镜像，并对超胞做结构弛豫，然后通过对比含缺陷与完美晶体的能量差得到缺陷形成能。只计算完美晶体无法评估缺陷稳定性，完全忽略受力则无法得到可靠构型。

Q10. 为什么纯 DFT 难以准确描述强关联体系？

多选题 · extreme

  • A.局域近似无法处理强关联← 正确答案
  • B.自旋通道处理过于粗糙← 正确答案
  • C.忽略范德华相互作用
  • D.完全忽视晶格振动

答案：AB。强关联体系（如高温超导、稀土化合物）中电子间的库仑相互作用非常强，局域交换关联近似会给出定性错误的自旋与能隙，自旋通道的描述也过于粗糙，因此需要 DFT+U 或多体方法修正。忽略范德华力和晶格振动是 DFT 的普遍近似，并非强关联体系失败的核心原因。