来源论文: https://arxiv.org/abs/2605.14611v1 生成时间: May 15, 2026 05:30

0. 执行摘要

电荷转移（Charge Transfer, CT）是光合作用、呼吸作用及光电器件运行中的核心物理过程。准确量化激发态中的电荷迁移对于设计高效光电材料至关重要。传统的 CT 分析方法（如基于密度差或自然转换轨道的方法）往往依赖于激发态密度的构建，且在处理复杂的关联波函数（如 EOM-CCSD）时面临计算成本高昂、对基组高度敏感或需要处理非正交左本征向量等挑战。

本研究提出了一种灵活、自动且基组无关的域基电荷转移分解框架。该框架直接建立在构型相互作用（CI）型激发态波函数之上，通过将轨道空间划分为化学直观的“域（Domains）”，将复杂的空穴-粒子激发翻译为域间的电荷流动。其核心优势包括：

  1. 无需激发态密度：仅利用右本征向量即可获得定性一致的结果，显著降低了 EOM-CC 等方法的分析复杂度。
  2. 自动化与灵活性：引入了“硬划分”与“加权划分”两种策略，适应不同规模和连接性的分子体系。
  3. 基组鲁棒性：分析结果在不同规模的基组下表现出极高的稳定性。
  4. 软件集成：该算法已集成于 DAISpY 软件包中，作为 PyBEST 生态系统的一部分对外开放。

1. 核心科学问题，理论基础，技术难点与方法细节

1.1 核心科学问题：激发态特性的直观量化

在计算化学中，如何定义“电荷从哪里转移到了哪里”是一个非平凡的问题。尽管波函数提供了完整的物理信息，但其高维系数并不直接对应化学直观。现有的分析工具（如 TheoDORE, Multiwfn）在处理线性响应方法（如 TD-DFT）时非常成功，但在处理 Equation of Motion (EOM) 框架下的高级关联波函数时，往往需要显式计算左本征向量来构建转换密度矩阵，这在工程实现和计算开销上都是巨大的障碍。本研究旨在寻找一种“快捷路径”，在保证物理准确性的前提下，简化关联激发态的 CT 描述。

1.2 理论基础：CI 型激发态参数化

该框架适用于任何可以表示为 CI 形式的激发态波函数 $|\Psi_k\rangle$：

$$ |\Psi_k\rangle = \sum_{\mu=0,S,D,...} c_{\mu} \hat{\tau}_{\mu} |\Psi_0\rangle $$

其中 $c_{\mu}$ 是激发振幅，$\hat{\tau}_{\mu}$ 是激发算符。在 EOM-CCSD 模型中，这包含单激发（S）和双激发（D）。

为了将轨道激发的物理量映射到空间区域，研究引入了域因子（Domain Factor） $\Omega_D(p)$。对于给定的分子轨道 $p$ 和空间域 $D$：

  • 离散（硬）方案：将轨道完全分配给贡献最大的域。如果 $\sum_{\mu \in D} |C_{\mu p}|^2$ 最大，则 $\Omega_D(p) = 1$，否则为 0。
  • 加权方案：$\Omega_D(p) = \sum_{\mu \in D} |C_{\mu p}|^2$，反映了轨道在域上的连续分布情况。

由此，单激发的域转移矩阵 $M^{(S)}_{D_h D_p}$ 定义为：

$$ M^{(S)}_{D_h D_p} = \sum_{i}^{occ} \sum_{a}^{virt} |c^a_i|^2 \Omega_{D_h}(i) \Omega_{D_p}(a) $$

该矩阵的对角元代表局部激发，非对角元代表域间 CT。

1.3 技术难点：双激发的分解与轨道定域化

双激发的挑战：在 spin-free 框架下，双激发 $(i,j) \to (a,b)$ 的物理意义更为复杂。本工作采用“单电子通道概念”，将双激发贡献均分到参与的两个空穴-粒子对中。这在处理强关联体系或涉及多电子激发的 CT 态时尤为关键。

轨道定域化的必要性：如果使用离域的正则分子轨道（CMOs），域因子的分配会变得极其模糊，导致 CT 指标失真。为了解决这一问题，研究者利用了 pCCD（pair Coupled Cluster Doubles）优化轨道。pCCD 通过变分轨道优化（Voo）产生的轨道在占据空间和虚拟空间都具有天然的强定域性，这为自动化域划分奠定了物理基础。

1.4 定向电荷转移（dCT）指标

为了定量描述电荷流动的方向性（如供体-桥连-受体体系），定义了 dCT 测度：

$$ dCT = \sum_{D_h, D_p}^{D_1 \to ... \to D_q} [D_h \to D_p - D_h \leftarrow D_p] $$

该指标通过提取域矩阵的上三角与下三角差值，直接给出了净电荷流向，能够自动识别分子的“供体（Donor）”和“受体（Acceptor）”角色，而无需预先指定。

2. 关键 Benchmark 体系、数据分析与性能表现

2.1 分子间 CT：小分子配合物

研究选取了 10 个经典的分子间 CT 体系，如丙酮-氟（acetone-fluorine）、氨-吡嗪（ammonia-pyrazine）等。这些体系由两个物理分隔的片段组成，是检验域分解准确性的理想基准。

关键数据观察：

  • 基组不敏感性：在从 cc-pVDZ (DZ) 扩展到 cc-pVTZ (TZ) 时，CT 指标的变化通常小于 0.01。例如，ammonia-fluorine 在 DZ 下的 CT 值为 0.79，在 TZ 下依然保持 0.79。
  • 与参考值的一致性：将基于 pCCD 定域轨道的 EOM-CCSD 结果与文献中使用正则轨道（HF 轨道）计算的参考值（$\omega_{CT}$）对比。尽管定义不同，但两者表现出极高的相关性。对于 acetone-fluorine，参考值为 0.96，本方法得到 0.94，准确捕获了其强 CT 特性。
  • 能级精度：使用 pCCD 优化轨道作为参考态，其激发能（EE）与传统 EOM-CCSD(HF) 的差异通常在 0.04 eV 以内，证明了轨道定域化在保持物理精度方面的可靠性。

2.2 分子内 CT：16 个典型芳香体系

针对分子内 CT，测试集涵盖了从弱 CT（苯胺 aniline）到几乎纯 CT（扭转的 DMABN, 苯基吡咯 PP）的 16 个分子。这些分子被划分为供体、受体以及（某些情况下）桥连域。

性能数据分析：

  • 定性等级划分：根据 $dCT_w$ 值，将激发态划分为“弱(+)”、“中(++)”、“强(+++)”和“纯(++++)”四个等级。实验结果显示，nitrobenzene 和 pNA（对硝基苯胺）被准确识别为强 CT 态（$dCT_w > 0.35$），而扭转体系如 twisted DMABN 1 的 $dCT_w$ 高达 0.77，符合化学直觉。
  • 方法对比：研究对比了 EOM-CCSD 与简化的 EOM-pCCD+S。虽然 EOM-pCCD+S 系统性地低估了 CT 的绝对数值（可能是由于缺乏非配对电子对相互作用），但它完美复制了所有体系的 CT 趋势。这表明 EOM-pCCD+S 可以作为一种极低成本的定性筛选工具。

2.3 误差分布统计

通过对不同基组（cc-pVDZ, aug-cc-pVDZ, aug-cc-pVTZ）的误差进行统计分析（见原文图 3），发现：

  • 硬方案的误差分布非常集中，标准差约为 3%。
  • 加权方案在包含弥散函数（aug-）时表现出略宽的分布，但中位数偏移几乎为零。这证明了该框架在实际应用中，可以使用较小的基组（如 cc-pVDZ）来预测大型基组下的 CT 特性，具有极高的计算性价比。

3. 代码实现细节与复现指南

3.1 软件架构：PyBEST 与 DAISpY

该研究的算法核心实现在 DAISpY (Domain Assignment and Interface Solution in pYthon) 模块中。DAISpY 既可以作为独立的工具使用，也可以作为 PyBEST 软件的插件。PyBEST 是一个基于 Python 的黑箱电子结构工具箱，专注于关联波函数方法。

主要组件：

  • 域构建模块：支持基于原子索引的自动域分配。
  • 轨道分配模块：计算 $\Omega_D(p)$ 因子。
  • 累加引擎：遍历 CI 向量（单激发和双激发块），执行域矩阵的张量缩并。

3.2 复现指南：三步走流程

  1. 轨道优化：使用 PyBEST 运行 pCCD 轨道优化计算，获得定域化的分子轨道系数。这是分析成功的关键。代码示例（伪代码）：
    from pybest import pccd
# 执行 pCCD 轨道优化
result = pccd.optimize_orbitals(molecule, basis='cc-pVDZ')
  2. 激发态计算：在优化后的轨道基础上运行 EOM-CCSD。PyBEST 支持 GPU 加速，对于大型体系建议开启该功能。
  3. CT 分析：调用 DAISpY 接口，定义域并执行分解。
    from daispy import CTAnalysis
# 定义域，例如 A=[0,1], B=[2,3,4,5]
domains = {'Donor': [0, 1], 'Acceptor': [2, 3, 4, 5]}
ct = CTAnalysis(result_eom, domains)
ct.run_decomposition(scheme='weighted')

3.3 开源资源链接

4. 关键引用文献与局限性评论

4.1 关键引用文献

  1. Stanton & Bartlett (1993): 奠定了 EOM-CC 理论基础。本工作旨在克服其左本征向量计算的复杂性。
  2. Boguslawski et al. (2014, 2016): pCCD 理论及其在激发态中的应用，为本工作的轨道定域化提供了技术支撑。
  3. Plasser et al. (2012, 2020): TheoDORE 工具包。本工作在哲学上与其互补，但更侧重于波函数系数空间而非密度空间。
  4. Kozma et al. (2020): 提供了 intermolecular CT 的基准数据集。本文 Table 1 的对比基础。

4.2 局限性评论

尽管本工作在自动化和基组鲁棒性上取得了突破，但仍存在以下局限：

  • 右本征向量近似：对于某些高度非厄米（Non-Hermitian）的体系，忽略左本征向量可能会导致物理指标的微小偏差。虽然文中数值实验证明该误差在可接受范围内，但在极端强关联体系中仍需谨慎。
  • 弥散函数依赖性：虽然 CT 指标对基组不敏感，但激发态能级本身对弥散函数仍有依赖。如果基组过小导致波函数质量本身不佳，那么基于系数的分析也会“巧妇难为无米之炊”。
  • 定域化方案的唯一性：目前高度依赖 pCCD 轨道。虽然理论上支持 Pipek-Mezey 等定域化方案，但其在虚拟轨道上的表现是否同样稳健尚待进一步验证。

5. 补充：为什么“基组无关性”在实践中如此重要？

在量子化学的工业应用中，计算资源的分配往往是一个权衡过程。传统的 CT 分析方法（尤其是基于密度的）在引入弥散函数（aug-cc-pVTZ 等）时，由于电荷云的扩展，片段间的电荷归属会变得极其模糊，经常出现随着基组增大 CT 强度反而下降的假象（因为更多电荷被分配到了离域空间）。

本框架通过系数累加而非密度积分巧妙地绕过了这一陷阱。在 CI 扩展中，即使使用了弥散基组，物理上的空穴和粒子占据的核心轨道系数分布相对稳定。这意味着：

  • 研究者可以使用小基组（如 cc-pVDZ）进行大规模分子的初步 CT 筛选。
  • 在设计 D-B-A 分子时，可以确信所观察到的 CT 趋势是物理真实的，而非基组效应产生的伪影。

此外，这种方法对“桥连（Bridge）”域的处理非常优雅。通过 dCT 指标，我们可以清晰地观察到电荷是“通过桥转移”还是“停留在桥上”，这对于分子导线的阻抗设计或有机光伏电池中激子解离效率的评估具有直接的指导意义。未来，该框架若能扩展到非绝热耦合分析，将进一步增强其在超快动力学领域的应用潜力。