基于统计方法的交换相关泛函

现有密度泛函理论的问题在于精确的交换相关泛函难以得到，杂化密度泛函方法是其良好的近似，由于能够更好地再现实验值，得到多数人的认可。但在对计算结果的准确度要求较高，特别是在处理具有弱相互作用的体系如生物体系时，还难于找到合适的密度泛函方法。我们已经发展了一个基于神经网络的杂化交换相关泛函，其特点是泛函中的组合参数是随研究对象变化而改变的。应用该泛函较好地再现了一些体系的热化学性质。本课题将继续发展这一泛函，使之在处理体系的热化学性质时能够达到化学精度。同时把该方案应用到其他的交换相关泛函，如X3LYP，OLYP，MPW1B95等，使之能够处理一些包含弱相互作用的体系和大的生物体系。除了神经网络，多元线性回归，支持向量机等统计方法将被用来训练并寻找杂化交换相关泛函的组合系数。在训练中加入一些具有好的实验值的含有重金属或过渡金属的体系，也可以使新的泛函适合于处理该类体系。

现有密度泛函理论的问题在于精确的交换相关泛函难以得到。由于能够更好地再现实验值，杂化密度泛函方法得到多数人的认可。但在对计算结果的准确度要求较高时，还难于找到合适的密度泛函方法。我们采用支持向量机模型，神经网络模型校正了B3LYP泛函计算的自由能，过渡态能垒，并寻找了新的泛函参数用以构造新的B3LYP泛函。采用神经网络模型校正了O3LYP泛函计算的生成热，并寻找了新的O3LYP泛函参数。这些统计方法都成功的降低了原始密度泛函理论的计算误差。采用二十种理论计算有机化合物的生成热，找到了最优的计算体系生成热的密度泛函方法。