量子化学新突破：基于 Grassmannian 导数感知的交换相关泛函蒸馏技术（DI-Loss）深度解析
本文深度解析了一种革命性的机器学习交换相关泛函训练方法：通过在 Grassmannian 流形上引入一阶和二阶能量导数监督（DI-Loss），成功将高成本的 $O(N^4)$ 杂化泛函蒸馏为高效的 $O(N^3)$ 机器学习半局部泛函，并在基态能量精度、自洽场收敛性及 TDDFT 激发态预测上取得了突破性进展。
本文深度解析了一种革命性的机器学习交换相关泛函训练方法：通过在 Grassmannian 流形上引入一阶和二阶能量导数监督（DI-Loss），成功将高成本的 $O(N^4)$ 杂化泛函蒸馏为高效的 $O(N^3)$ 机器学习半局部泛函，并在基态能量精度、自洽场收敛性及 TDDFT 激发态预测上取得了突破性进展。