经典流体的MetaDensity泛函学习：用对关联（Pair Correlation）正则化（Regularizing with Pair Correlations）

《The Journal of Physical Chemistry B》：Metadensity Functional Learning for Classical Fluids: Regularizing with Pair Correlations

　　

： 研究人员研究并利用了近期由Kampa等人[Phys. Rev. Lett. 2025, 134, 107301]提出的神经Meta密度泛函理论（Neural Metadensity Density Functional Theory, Neural MDFT）对于描述非均匀流体物理性质的推论。Meta密度（metadensity）对对势（pair potential）的依赖性对于软物质设计和Henderson反演（Henderson inversion）具有重要意义，且允许在预测阶段即时改变对势。本文考虑具有短程（截断）粒子间相互作用的一维体系，并利用泛函对对势的依赖性来探究获得体相流体对关联结构的"meta直接（metadirect）"途径。经典密度泛函理论（Classical Density Functional Theory, CDFT）提供了所需的泛函关系。高效的变分计算通过神经泛函线积分（neural functional line integration）和自动微分（automatic differentiation）实现。研究人员通过将不同途径得到的对关联结构进行比较，对神经泛函的局部学习（local learning）进行正则化（regularization）。由此，由Meta直接泛函微分得到的结果与由初始局部训练的Meta密度泛函得出的精确测试粒子数据相匹配。通过Meta密度泛函依赖性获取对关联结构绕过了Ornstein–Zernike（OZ）反演，且基于第一性原理。

论文解读：《Metadensity Functional Learning for Classical Fluids: Regularizing with Pair Correlations》

本文发表于The Journal of Physical Chemistry B特刊"Classical Density Functional Theory in Physical Chemistry"。经典密度泛函理论（Classical Density Functional Theory, CDFT）是描述非均匀流体平衡性质的第一性原理框架，其精确性取决于过剩自由能泛函F_exc[ρ]的近似质量。传统解析闭型近似（如Fundamental Measure Theory）难以准确描述对势?(r)的显式函数依赖关系，通常仅能做平均场（mean-field）线性近似。近期发展的神经Meta密度泛函理论（Neural Metadensity Functional Theory）将F_exc[ρ, β?]同时视为密度剖面和热标度对势β?(r)的泛函，可通过局部学习（local learning）方法从分子模拟数据中训练得到c₁(r;[ρ,β?])，但该初训泛函在对关联结构（pair correlation structure）的Meta通道（metachannel）预测中存在数值噪声。已有研究表明对关联匹配（pair correlation matching）可作为CDFT神经网络的有效正则化手段，而本文将其推广至Meta密度泛函情形，利用Meta直接（metadirect）关系——即对β?(r)的泛函微分给出全局粒子间距分布G(r)及Meta直接关联泛函c_?(x,r';[ρ,β?])——构建两阶段正则化学习方案，消除初训噪声，提升泛函质量。

主要关键技术方法：

研究人员采用一维短程截断对势（截断Lennard-Jones、Gaussian、penetrable-ramp）的Grand Canonical Monte Carlo模拟生成非均匀体系训练集（随机外势V_ext(x)、化学势μ、温度β及截断对势β?(r)），通过后处理Euler–Lagrange方程获得c_1,k(x)作为监督学习目标，用全连接多层感知机（Multilayer Perceptron, MLP）训练神经一阶直接关联泛函c₁(x;[ρ,β?])。第一阶段局部学习获得未正则化Meta密度泛函；第二阶段用该泛函做测试粒子Percus最小化（V_ext(r)=?(r)）得g(r)，经热力学微分得体相Meta涨落剖面χ_?^b(r)及体相Meta直接关联函数c_?^b(r)，将其作为二阶匹配目标对c_?(x,r';[ρ_b,β?])作自动微分约束，完成正则化再训练。泛函线积分（functional line integration）和自动微分分别用于恢复F_exc[ρ,β?]及求c_?。

2. Metadensity Functional Theory（Meta密度泛函理论）

2.1. Classical Density Functional Overview（经典密度泛函概述）：研究人员回顾了Grand Potential泛函Ω[ρ,β?]=F_id[ρ]+F_exc[ρ,β?]+∫dr ρ(r)[βV_ext(r)?βμ]，一阶与二阶直接关联泛函定义为c₁(r;[ρ,β?])=?δβF_exc/δρ(r)|_β?，c₂(r,r';[ρ,β?])=δc₁(r)/δρ(r')|_β?，F_exc可通过密度空间参数缩放a∈[0,1]的泛函线积分由c₁重建。Euler–Lagrange方程为c₁(r;[ρ,β?])=ln(ρ(r)Λ^d)+βV_ext(r)?βμ。

2.2. Generalized Ornstein–Zernike Relations（广义Ornstein–Zernike关系）：研究人员给出非均匀OZ方程h(r,r')=c₂(r,r')+∫dr'' c₂(r,r'')ρ(r'')h(r'',r')，局地可压缩性χ_μ(r)=β cov(ρ?(r),N)满足一体检OZ关系χ_μ(r)/ρ(r)=β+∫dr' c₂(r,r')χ_μ(r')，以及超可观测量A?对应的超OZ方程χ_A(r)/ρ(r)=c_A(r)+∫dr' c₂(r,r')χ_A(r')。

2.3. Metadensity Functional Dependence（Meta密度泛函依赖性）：根据Levy约束搜索形式，对β?(r')的泛函导数给出G(r';[ρ,β?])=δβF_exc[ρ,β?]/δβ?(r')|_ρ=?∫D[ρ] c_?(r,r';[ρ,β?])，其中Meta直接关联泛函（metadirect correlation functional）定义为c_?(r,r';[ρ,β?])=δc₁(r;[ρ,β?])/δβ?(r')|_ρ。引入Meta涨落剖面χ_?(r,r')=?cov(ρ?(r),?(r'))及Meta-OZ关系χ_?(r,r')/ρ(r)=c_?(r,r')+∫dr'' c₂(r,r'')χ_?(r'',r')。体相时χ_?(r,r')=χ_?^b(r')，且有G(r)=Lρ_b²g(r)（一维）。

2.4. Consistency Relationships（一致性关系）：给出G(r;μ)=?β∫_?∞^μdμ'∫dr χ_?(r,r;μ')，体相χ_?^b(r)=?(βV)^?1?G(r;μ)/?μ，以及由Meta-OZ整理得c_?^b(r)=[ρ_b^?1?c?₂^b(0)]χ_?^b(r)。

3. Metadensity Functional Learning（Meta密度泛函学习）

3.1. Overview of Local Functional Learning（局部泛函学习概述）：训练集含多种随机外势、热力学参数及对势，模拟得ρ_k(x)后按c_1,k(x)=ln ρ_k(x)+β_kV_ext,k(x)?β_kμ_k提取目标，训练MLP使c₁(x;[ρ_k,β_k?_k])=c_1,k(x)。截断对势用有限输入窗口表示密度依赖。

3.2. Initial Metadensity Functional Training（初始Meta密度泛函训练）：按上述局部学习流程获初始神经一阶直接关联泛函c₁(x;[ρ,β?])，捕获对ρ(x)和β?(r)的双重泛函依赖。

3.3. Regularized Metadensity Functional Learning（正则化Meta密度泛函学习）：用初训泛函做测试粒子自洽求解ρ_g(r)=exp[c₁(r;[ρ_g,β?])?β?(r)+βμ]得g(r)=ρ_g(r)/ρ_b。对μ作有限差分求χ_?^b(r)=?β^?1?[ρ_b²g(r;μ)]/?μ，再由c_?^b(r)=[ρ_b^?1?c?₂^b(0)]χ_?^b(r)得参考Meta直接关联函数。第二阶段训练中施加匹配条件c_?(x,r;[ρ_b,k,β_k?_k])=c_?,k^b(r)（左侧由自动微分求δc₁/δβ?(r')得），实现对Meta通道的正则化。

4. Results（结果）

研究人员对截断Lennard-Jones-like、排斥Gaussian及penetrable-ramp三种对势进行测试。未正则化泛函经Meta-OZ途径或泛函线积分再对β?(r)数值微分得到的g(r)呈明显噪声偏离；正则化后同一Meta直接途径所得g(r)与测试粒子参考高度吻合，噪声消除。标准OZ反演（用c₂^b(r)输入）出现数值振荡且首峰偏差，属OZ反演本身困难。体相Meta涨落剖面χ_?^b(r)由模拟协方差采样验证，未正则化结果散差大，正则化结果与模拟一致。非均匀体系中c_?(x,r;[ρ,β?])的空间分辨结果显示正则化降低噪声且变化更合理。二元密度ρ₂(x,x')经非均匀OZ方程（神经c₂输入）解与模拟相符，G(r)由泛函导数（Eq 19）得，正则化改善精度。

5. Conclusions（结论部分翻译）：

研究人员证明Meta密度泛函对热标度对势β?(r)的形式依赖性为深入理解经典密度泛函理论的形式结构及流体平衡关联行为提供了富有成果的基础。所采用的神经局部学习方法可准确捕获该"Meta密度"泛函依赖，远优于仅具线性?(r)依赖的平均场近似。Meta通道构成对形式明确的唯一泛函依赖的数值表示，可通过泛函微分和泛函线积分一致验证。本文发展的正则化方案基于对势泛函微分的"Meta直接"途径获取对关联结构，仅因Meta密度泛函及其对β?(r)的可微性才得以实现。两阶段机器学习构成高效的第一性原理（统计力学）驱动的物理信息正则化。未来可拓展至高维、长程作用及响应胶体体系，并可与统计力学规范不变性给出的严格求和规则结合进一步约束神经泛函。

综上，本研究将经典密度泛函理论与深度学习相结合，首次提出并验证了基于对关联结构（pair correlation matching）的Meta密度泛函两阶段正则化学习方法，显著降低了神经Meta泛函在预测体相对分布函数g(r)及Meta涨落剖面时的数值噪声，为Henderson反演、软物质势设计与非均匀流体精确预测提供了更可靠的神经泛函工具。