密度泛函理论(DFT)简介

密度泛函理论(Density Functional Theory,DFT)是一种现代量子力学计算方法,广泛应用于原子、分子和固体材料的电子结构研究。

DFT 的基本思想:

与传统量子力学基于多电子波函数 \(\Psi(\mathbf{r}\_1, \mathbf{r}\_2, \dots, \mathbf{r}\_N)\) 的形式不同,DFT 使用电子密度 \(\rho(\mathbf{r})\) 作为描述系统的基本量,从而显著减少计算维度(从 \(3N\) 个变量降为 3 个变量)。


Born-Oppenheimer 近似与哈密顿量

我们考虑一个包含 \(N\) 个电子的系统,假设原子核静止不动(Born-Oppenheimer 近似),则系统的电子哈密顿量如下:

\[\hat{H} = \hat{T}_e + \hat{V}_{\text{ext}} + \hat{V}_{ee}
\]

具体展开为:

  • 电子动能项

    \[\hat{T}_e = -\frac{1}{2} \sum_{i=1}^N \nabla_i^2
    \]
  • 电子与外部势(原子核)相互作用项

    \[\hat{V}_{\text{ext}} = \sum_{i=1}^N v_{\text{ext}}(\mathbf{r}_i)
    \]
  • 电子之间的库伦排斥项

    \[\hat{V}_{ee} = \sum_{1 \le i < j \le N} \frac{1}{|\mathbf{r}_i - \mathbf{r}_j|}
    \]

目标是解薛定谔方程:

\[\hat{H} \Psi = E \Psi
\]

Hohenberg-Kohn 定理(一)完整推导

定理一内容:

给定一个体系的基态电子密度 \(\rho\_0(\mathbf{r})\),它唯一地确定系统的外部势 \(v\_{\text{ext}}(\mathbf{r})\)(在常数差之外),进而唯一确定基态波函数与系统的所有物理性质。

推导过程(反证法):

假设存在两个不同的外部势:

  • \(v(\mathbf{r})\) → 对应基态波函数 \(\psi\)
  • \(v'(\mathbf{r})\) → 对应基态波函数 \(\psi'\)

它们满足以下条件:

  • 对应的哈密顿量不同:

    \[\hat{H} = \hat{T} + \hat{V} + \hat{U}, \quad \hat{H}' = \hat{T} + \hat{V}' + \hat{U}
    \]

    其中 \(\hat{U}\) 是电子之间的相互作用(相同),\(\hat{T}\) 是动能算符(也相同),不同的是外部势 \(\hat{V}\) 和 \(\hat{V}'\)。

  • 它们的基态密度相同

    \[\rho(\mathbf{r}) = \langle \psi | \hat{\rho}(\mathbf{r}) | \psi \rangle = \langle \psi' | \hat{\rho}(\mathbf{r}) | \psi' \rangle
    \]

下面我们来推导矛盾:


第一步:由变分原理出发

由于 \(\psi\) 是 \(\hat{H}\) 的基态波函数,且 \(\psi' \ne \psi\),由变分原理可得:

\[E_0 = \langle \psi | \hat{H} | \psi \rangle < \langle \psi' | \hat{H} | \psi' \rangle
\]

同理,\(\psi'\) 是 \(\hat{H}'\) 的基态波函数,得:

\[E_0' = \langle \psi' | \hat{H}' | \psi' \rangle < \langle \psi | \hat{H}' | \psi \rangle
\]

第二步:展开哈密顿量期望值

记住:

\[\hat{H} = \hat{T} + \hat{U} + \hat{V},\quad \hat{H}' = \hat{T} + \hat{U} + \hat{V}'
\]

我们可以分别写出:

  • 对于 \(\psi'\) 在 \(\hat{H}\) 上的期望:

    \[\langle \psi' | \hat{H} | \psi' \rangle = \langle \psi' | \hat{T} + \hat{U} | \psi' \rangle + \langle \psi' | \hat{V} | \psi' \rangle
    \]
  • 对于 \(\psi\) 在 \(\hat{H}'\) 上的期望:

    \[\langle \psi | \hat{H}' | \psi \rangle = \langle \psi | \hat{T} + \hat{U} | \psi \rangle + \langle \psi | \hat{V}' | \psi \rangle
    \]

因为 \(\psi\) 与 \(\psi'\) 的电子密度相同,即:

\[\langle \psi | \hat{V}' | \psi \rangle = \int \rho(\mathbf{r}) v'(\mathbf{r})\, d\mathbf{r}, \quad
\langle \psi' | \hat{V} | \psi' \rangle = \int \rho(\mathbf{r}) v(\mathbf{r})\, d\mathbf{r}
\]

第三步:合并两个不等式

结合两边不等式:

\[E_0 < \langle \psi' | \hat{H} | \psi' \rangle = E_0' + \int \rho(\mathbf{r}) \left[ v(\mathbf{r}) - v'(\mathbf{r}) \right] d\mathbf{r}
\]
\[E_0' < \langle \psi | \hat{H}' | \psi \rangle = E_0 + \int \rho(\mathbf{r}) \left[ v'(\mathbf{r}) - v(\mathbf{r}) \right] d\mathbf{r}
\]

将两式相加得到:

\[E_0 + E_0' < E_0' + E_0
\]

这是一个显然的矛盾


结论:

因此假设不成立,两个不同的外势不可能产生相同的基态密度。这就证明了:

一个基态电子密度 \(\rho(\mathbf{r})\) 唯一确定外势 \(v\_{\text{ext}}(\mathbf{r})\)(加常数无关),从而唯一确定哈密顿量与系统基态。


Hohenberg-Kohn 定理(二)

定理二基于变分原理指出:

基态能量是电子密度泛函的最小值:

\[E[\rho] \ge E[\rho_0], \quad \text{当且仅当 } \rho = \rho_0 \text{ 时取等号}
\]

这为 DFT 提供了一个“能量极小化”原则——通过试探不同密度函数并极小化能量,可以找到真实的基态密度与能量。


Kohn-Sham 方法(KS 方法)

虽然 H-K 定理具有深远意义,但并没有给出具体的计算框架。Kohn-Sham 方法则提供了 DFT 在实际计算中的实现路径。

核心思想

将多电子相互作用体系简化为非交互单电子系统,使用一个有效势来模拟电子之间的相互作用。

Kohn-Sham 方程:

\[\left[-\frac{1}{2} \nabla^2 + v_{\text{eff}}(\mathbf{r})\right] \psi_i(\mathbf{r}) = \varepsilon_i \psi_i(\mathbf{r})
\]

其中有效势:

\[v_{\text{eff}}(\mathbf{r}) = v_{\text{ext}}(\mathbf{r}) + v_H(\mathbf{r}) + v_{xc}(\mathbf{r})
\]
  • \(v\_H\):经典库伦排斥(Hartree 势)
  • \(v\_{xc}\):交换-关联势(引入了电子交换与量子关联)

KS 总能量表达式:

\[E_{\text{KS}}[\rho] = T_s[\rho] + \int v_{\text{ext}}(\mathbf{r}) \rho(\mathbf{r}) d\mathbf{r} + \frac{1}{2} \int \frac{\rho(\mathbf{r}) \rho(\mathbf{r'})}{|\mathbf{r} - \mathbf{r'}|} d\mathbf{r} d\mathbf{r'} + E_{xc}[\rho]
\]

PPT链接:

https://1drv.ms/p/c/7a3fa4b8d46fdfb3/EfMuSbK1HxRAp7GN4NaryI8BVsm_daEoBcCOasGnezfI0A?e=plWldu

密度泛函理论(DFT)简介的更多相关文章

  1. Spring Boot 基础,理论,简介

    Spring Boot 基础,理论,简介 1.SpringBoot自动装配 1.1 Spring装配方式 1.2 Spring @Enable 模块驱动 1.3 Spring 条件装配 2.自动装配正 ...

  2. (数据科学学习手札15)DBSCAN密度聚类法原理简介&Python与R的实现

    DBSCAN算法是一种很典型的密度聚类法,它与K-means等只能对凸样本集进行聚类的算法不同,它也可以处理非凸集. 关于DBSCAN算法的原理,笔者觉得下面这篇写的甚是清楚练达,推荐大家阅读: ht ...

  3. 加密第四节_IPSec基本理论

    加密第四节_IPSec基本理论 本节内容 IPSec简介 IPSec两种工作模式 判断隧道模式和传输模式 IPSec两种模型 IPSec两个数据库 IPSec基本理论 IPSec简介 提供了网络层的安 ...

  4. 密度峰值聚类算法MATLAB程序

    密度峰值聚类算法MATLAB程序 凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 密度峰值聚类算法简介见:[转] 密度峰值聚类算法(DPC) 数据见:MATL ...

  5. cap理论与分布式事务的解决方案

    现在很火的微服务架构所设计的系统是分布式系统.分布式系统有一个著名的CAP理论,即一个分布式系统要同时满足一致性(Consistency).可用性(Availablility)和分区容错(Partit ...

  6. 小D课堂 - 新版本微服务springcloud+Docker教程_3-02CAP理论知识

    笔记 2.分布式应用知识CAP理论知识     简介:讲解分布式核心知识CAP理论 CAP定理:             指的是在一个分布式系统中,Consistency(一致性). Availabi ...

  7. 小D课堂 - 新版本微服务springcloud+Docker教程_1_01课程简介

    笔记 ============================================= SpringCloud课程笔记.txt 第一章 课程介绍和学习路线 1.微服务架构SpringClou ...

  8. 石墨烯(转自wiki)

    石墨烯(Graphene)是一种由碳原子以sp2杂化轨道组成六角型呈蜂巢晶格的平面薄膜,只有一个碳原子厚度的二维材料[1].石墨烯一直被认为是假设性的结构,无法单独稳定存在[1],直至2004年,英国 ...

  9. 傅里叶变换 - Fourier Transform

    傅里叶级数 傅里叶在他的专著<热的解析理论>中提出,任何一个周期函数都可以表示为若干个正弦函数的和,即: \[f(t)=a_0+\sum_{n=1}^{\infty}(a_ncos(n\o ...

  10. class-支持向量机SVM全析笔记

    support vector machines,SVM是二类分类模型.定义在特征空间上间隔最大的线性分类器,由于包括核技巧实质上成为非线性分类器.学习策略是间隔最大化,可形式化为求解凸二次规划问题(c ...

随机推荐

  1. springboot整合log4j

    一.默认名log4j2-spring.xml,就省下了在application.yml中配置 <console name="Console" target="SYS ...

  2. Win10/win11系统如何禁用笔记本自带键盘、笔记本键盘禁用后无法恢复解决办法【靠谱】

    原文:[靠谱]Win10/win11系统如何禁用笔记本自带键盘.禁用后无法恢复解决办法 - 搜栈网 (seekstack.cn)

  3. EFCore与List的随机算法

    IQurable<T>,数据库层面的随机,OrderBy(x => EF.Functions.Random()); _coreDbContext.org.OrderBy(x => ...

  4. 探秘Transformer系列之(31)--- Medusa

    探秘Transformer系列之(31)--- Medusa 目录 探秘Transformer系列之(31)--- Medusa 0x00 概述 0x01 原理 1.1 动机 1.2 借鉴 1.3 思 ...

  5. 【MOOC】华中科技大学计算机组成原理慕课答案-第一章-计算机系统概论

    单选 1 计算机硬件能直接执行的是 B A. 高级语言 B. 机器语言 C. 汇编语言 D. 任何语言 用汇编语言编写的程序,计算机是不能直接识别和执行的:必须先把汇编语言源程序翻译成机器语言程序(即 ...

  6. AI 在软件测试中的应用:2025 年趋势、工具及入门指南

    引言 人工智能 (AI) 正在深刻地重塑软件开发和质量保证 (QA) 的各个方面.尤其是在软件测试领域,AI 不再仅仅是未来愿景,而是当下正在发生的变革.据世界质量报告(2023-24)指出,高达 7 ...

  7. Java的"伪泛型"变"真泛型"后,会对性能有帮助吗?

    泛型存在于Java源代码中,在编译为字节码文件之前都会进行泛型擦除(type erasure),因此,Java的泛型完全由Javac等编译器在编译期提供支持,可以理解为Java的一颗语法糖,这种方式实 ...

  8. .NET 原生驾驭 AI 新基建实战系列(七):Weaviate ── 语义搜索的智能引擎创新者

    引言 随着人工智能和机器学习技术的迅猛发展,向量数据在推荐系统.自然语言处理.图像搜索等领域的应用日益广泛.传统的数据库在处理高维向量数据时往往面临性能瓶颈,而向量数据库的出现为这一问题提供了高效的解 ...

  9. C#窗体磁吸屏幕的两种实现方案 - 开源研究系列文章

    以前在大学的时候模仿Winamp的磁吸效果编写过一个类库,用于在应用中多个窗体的相互磁吸效果.因为此效果应用不多,但是窗体磁吸屏幕边缘的效果倒是比较实用,于是就用C#来实现窗体磁吸屏幕边缘的代码,这里 ...

  10. Claude 4炸裂发布!凭什么敢称宇宙最强编程 AI?

    5 月 23 日,Claude 官方宣布推出下一代 Claude 模型:Claude Sonnet 4 和 Claude Opus 4,直接 在全世界的 AI 圈掀起了新的风暴! 据官方称,Claud ...