核心发现
方法论
SyFES框架通过符号回归在非线性符号空间中搜索XC泛函。该框架利用遗传算法的正则化进化，结合符号表示和参数优化，自动生成高精度的符号泛函。其核心组件包括符号表示、遗传算法和参数优化策略。
关键结果
- SyFES成功从头重构B97交换泛函，验证误差为4.2×10^-4 kcal/mol，测试误差为3.7×10^-4 kcal/mol。
- GAS22泛函在MGCDB84数据集上测试误差低于ωB97M-V，表现更优。
- GAS22在自洽计算中展现出良好的数值稳定性。
研究意义
该研究为符号密度泛函的系统开发开辟了新方向，解决了传统机器学习泛函参数过多、难以解释的问题。SyFES框架能够生成更易于集成和解释的符号泛函，具有重要的学术和工业应用价值。
技术贡献
SyFES框架通过符号回归和进化算法结合，提供了一种新的泛函搜索方法。与现有方法相比，SyFES不仅能生成高精度的符号泛函，还能显著减少参数数量，提高计算效率。
新颖性
SyFES首次实现了从零开始自动生成符号密度泛函，突破了传统机器学习方法的限制，提供了一种新的符号回归应用于物理科学问题的范例。
局限性
- SyFES在处理复杂系统时可能需要更长的计算时间和更大的计算资源。
- 当前框架主要针对半局部部分的优化，非局部部分仍需手动设定。
未来方向
未来研究可探索SyFES在更复杂系统中的应用，优化非局部部分，并结合其他机器学习技术以提高泛函的适用性和精度。
AI 总览摘要
密度泛函理论（DFT）在化学和材料科学中有着广泛应用，但其精度受限于交换-相关（XC）泛函的质量。传统的XC泛函开发依赖于经验参数和现有形式，难以系统提升精度。机器学习方法虽能提高精度，但生成的泛函参数过多且难以解释。
为解决这一问题，本文提出了符号泛函进化搜索（SyFES）框架，通过符号回归在非线性符号空间中自动搜索XC泛函。SyFES结合了遗传算法的正则化进化和符号表示，能够生成更易于解释和集成的符号泛函。实验表明，SyFES不仅能从头重构已知泛函，还能从现有泛函演化出新泛函GAS22，在MGCDB84数据集上表现优越。
GAS22泛函在自洽计算中展现出良好的数值稳定性，证明了SyFES框架的有效性和潜力。未来研究可进一步优化SyFES在复杂系统中的应用，并结合其他机器学习技术以提高泛函的适用性和精度。
深度分析
研究背景
密度泛函理论（DFT）是量子化学和材料科学中的重要工具，其精度依赖于交换-相关（XC）泛函的质量。传统的XC泛函开发依赖于经验参数和现有形式，难以系统提升精度。近年来，机器学习方法被引入以提高XC泛函的精度，但生成的泛函参数过多且难以解释。
核心问题
开发精确的XC泛函是一个长期挑战。现有方法要么依赖于经验参数，要么生成过多参数，难以解释和集成。需要一种新方法，能够在减少参数数量的同时提高泛函的精度和可解释性。
核心创新
SyFES框架通过符号回归在非线性符号空间中搜索XC泛函。其创新之处在于结合了遗传算法的正则化进化和符号表示，能够自动生成高精度的符号泛函，减少参数数量，提高计算效率。
方法详解
- �� 符号表示：将XC泛函表示为一系列数学指令。
- �� 遗传算法：使用正则化进化算法维护和演化符号泛函。
- �� 参数优化：采用协方差矩阵适应进化策略（CMA-ES）优化参数。
- �� 符号回归：在非线性符号空间中搜索XC泛函。
实验设计
实验使用MGCDB84数据集，比较了SyFES生成的GAS22泛函与ωB97M-V泛函的性能。采用验证误差和测试误差作为评估指标，并进行了自洽计算以验证数值稳定性。
结果分析
SyFES成功从头重构B97交换泛函，验证误差为4.2×10^-4 kcal/mol，测试误差为3.7×10^-4 kcal/mol。GAS22泛函在MGCDB84数据集上测试误差低于ωB97M-V，表现更优。
应用场景
SyFES生成的符号泛函更易于解释和集成，可用于化学和材料科学中的量子力学模拟，帮助设计新药物、催化剂和功能材料。
局限与展望
SyFES在处理复杂系统时可能需要更长的计算时间和更大的计算资源。当前框架主要针对半局部部分的优化，非局部部分仍需手动设定。
通俗解读 非专业人士也能看懂
想象你在厨房里做饭。传统的做法是遵循一本老旧的食谱，里面有很多复杂的步骤和配料。机器学习就像是一个新厨师，他可以做出美味的菜肴，但用的配料太多，别人很难学会。SyFES就像是一个聪明的助手，他能帮你找到最简单的做法，用最少的配料做出同样美味的菜。这样，不仅节省了时间和精力，还让每个人都能轻松掌握。SyFES通过一种叫做符号回归的方法，自动生成简单易懂的食谱（即符号密度泛函），让复杂的量子力学计算变得更简单、更高效。
简单解释 像给14岁少年讲一样
想象你在玩一个建造游戏。传统的方法就像是用很多零件搭建一个复杂的建筑，虽然很酷，但需要很多时间和精力。机器学习就像是一个超级玩家，他能快速建造出很棒的建筑，但用的零件太多，别人很难模仿。SyFES就像是一个聪明的助手，他能帮你找到最简单的建造方法，用最少的零件建造出同样酷的建筑。这样，你就能更快地完成任务，还能和朋友分享你的建造技巧。SyFES通过一种叫做符号回归的方法，自动生成简单易懂的建造方案，让复杂的任务变得更简单、更有趣！
术语表
符号回归 (Symbolic Regression)
一种机器学习方法，用于从数据中自动生成数学表达式。
用于在SyFES框架中搜索符号密度泛函。
密度泛函理论 (Density Functional Theory)
一种量子力学计算方法，用于研究电子结构。
用于计算分子和材料的电子结构。
交换-相关泛函 (Exchange-Correlation Functional)
在DFT中用于处理电子间相互作用的函数。
SyFES框架用于优化的目标。
遗传算法 (Genetic Algorithm)
一种优化算法，模拟自然选择过程。
用于SyFES框架中的正则化进化。
协方差矩阵适应进化策略 (CMA-ES)
一种用于优化连续参数的进化算法。
用于SyFES框架中的参数优化。
开放问题 这项研究留下的未解疑问
- 1 如何在更复杂的系统中应用SyFES框架，特别是处理非局部部分的优化？
- 2 SyFES在处理大规模数据集时的计算效率如何提高？
应用场景
近期应用
化学模拟
SyFES生成的符号泛函可用于化学反应和材料性质的模拟，帮助研究人员设计新材料和药物。
远期愿景
自动化科学发现
SyFES的框架可用于其他科学领域的自动化模型生成，推动科学发现的自动化进程。
原文摘要
Systematic development of accurate density functionals has been a decades-long challenge for scientists. Despite the emerging application of machine learning (ML) in approximating functionals, the resulting ML functionals usually contain more than tens of thousands parameters, which makes a huge gap in the formulation with the conventional human-designed symbolic functionals. We propose a new framework, Symbolic Functional Evolutionary Search (SyFES), that automatically constructs accurate functionals in the symbolic form, which is more explainable to humans, cheaper to evaluate, and easier to integrate to existing density functional theory codes than other ML functionals. We first show that without prior knowledge, SyFES reconstructed a known functional from scratch. We then demonstrate that evolving from an existing functional $ω$B97M-V, SyFES found a new functional, GAS22 (Google Accelerated Science 22), that performs better for the majority of molecular types in the test set of Main Group Chemistry Database (MGCDB84). Our framework opens a new direction in leveraging computing power for the systematic development of symbolic density functionals.