算一个分子有多难？
用Kohn-Sham密度泛函理论（KS-DFT），计算量随体系尺寸三次方飙涨。几十个原子还行，几百个原子、纳秒级动力学，超算也得跪。药物设计、电池材料、催化剂筛选，偏偏全是大体系。
轨道自由密度泛函理论（OF-DFT）冲的就是这个：绕开单电子波函数，直接用电子密度算能量，计算量增长温和得多。但它卡在动能泛函的精度上。
Hohenberg-Kohn定理说，基态能量是密度的泛函，但动能项的精确形式没人知道。KS-DFT靠构造轨道算准动能，代价是三次方缩放。OF-DFT想省掉轨道，就得找个足够准的近似。这一卡，几十年。
机器学习开始破局。M-OFDFT首次在QM9上把能量误差压到1毫哈特里；STRUCTURES25用扰动Kohn-Sham势生成的密度做训练数据；“弱代理泛函”更绝，只用真空基态标签，最小化后就能给出正确密度。
但弱代理有致命伤：只保证密度对，不保证能量对。收敛密度处的能量没有物理约束，算出的数不能做几何优化和分子动力学。更麻烦的是，现有泛函对网络架构和超参数极其敏感，换个骨干，能量面就可能没有可用极小值。
密度优化在所有测试的神经网络骨干上都收敛，包括eSEN和EquiformerV2——OF-DFT长期束缚架构选择的脆弱性，基本消除。QM9上密度误差，比STRUCTURES25和弱代理降一个数量级。QMugs分子最多100个重原子，远超训练集尺寸，改进同样成立。
预测能量与最先进的机器学习原子间势（MLIPs）竞争——那些MLIPs是直接拿能量训练的。外推到更大体系，强代理泛函优势更明显。密度基和几何基模型的差距被拉近。
KS-DFT的三次方缩放，是量子化学半个世纪的中心矛盾。精度和尺度之间那条线，划出两个世界：线内是小分子、短时间、高精度；线外是大体系、长动力学、经验力场。
机器学习原子间势十年爆发，本质是在线外重建精度。但它跳过电子密度，直接从几何预测能量。插值精度惊人，却没有显式中间密度，非局域电子响应、电荷转移天然描述不了。
强代理泛函不跳过密度。它让密度成为可微分、可优化、可迁移的中间表示。密度对了，静电、响应、成键分析都能做；能量对了，几何优化和分子动力学都能跑。这是密度基和几何基之间的一座桥。
对中国意义更直接。电池、催化、药物、半导体材料，决定了我们极度需要算大体系、长动力学、高精度的工具。KS-DFT靠超算堆，机器学习势靠数据堆，强代理泛函给的是第三条路：密度做物理约束，能量做训练信号，神经网络做泛函逼近器。
它不取代KS-DFT，但让OF-DFT第一次在精度和稳定性上同时够到实用门槛。训练数据仍集中在有机分子，100个重原子是里程碑不是终点。周期性体系、过渡金属、强关联材料，是下一块硬骨头。
但方向已定：机器学习不再只拟合能量面，它开始学密度泛函本身的结构。密度，是电子结构的通用语言。
— 感谢阅读 · 欢迎点赞关注 · 小编 —
热门跟贴