企业官网建设流程全解析

当你面对一个纳米孔道中的受限流体（比如水、电解质离子或二氧化碳混合物）时，最直接的模拟方案是分子动力学。这个方法可靠，但代价很高：一个复杂的电化学界面或无序多孔材料，往往需要微秒甚至毫秒量级的采样，才能得到一个稳定的三维密度分布。

另一个备选方案是经典密度泛函理论。它不追踪每个粒子的运动轨迹，而是直接求解平衡态密度分布，计算量可以比分子模拟低几个数量级。可是，经典DFT长期有一个让人头疼的短板：泛函形式很难迁移。针对硬球流体或平面狭缝标定的近似泛函，换到真实多孔材料、复杂分子或混合体系后，精度经常会快速下降。

所以，最近出现了一个很值得关注的交叉方向：把等变学习（equivariant learning）嵌入到三维经典密度泛函的构造中，用神经网络去学习一个满足物理对称性、并且具有一定可迁移性的三维自由能泛函。这类工作本质上不是简单做一次“机器学习加速”，而是把“泛函应该长成什么样”这件事交给可微网络，同时用旋转、平移对称性约束它，让它学到的关系不是某一次模拟的拟合结果，而是流体在外部势场中重新分布的一般规律。

这篇文章我会从经典DFT的基本图像开始讲，尽量避开复杂的教科书推导，再解释为什么三维情况下等变结构几乎是必须的，最后给出一个可运行的工程原型思路。如果你是CSDN上搞机器学习的读者，这篇文章会帮你理解：物理模型里的对称性约束，到底如何变成网络设计里的具体限制；如果你做分子模拟或材料计算，这篇文章也能帮你判断，这类“等变经典DFT”项目到底能拿到什么地方落地。

1. 这篇文章真正要解决的问题

先说一个判断：这个方向值得关注，不是因为“AI又打败了一个物理方法”，而是因为它切中了经典DFT多年来最痛的点——表达式可写、迁移不可用。

经典DFT的理论框架非常漂亮：给定温度、化学势和外势场，系统的平衡密度分布是某个巨势泛函的极小点。这个理论在原理上可以处理任意复杂的限域体系，从狭缝中的硬球流体到金属有机框架里的客体吸附，都可以写出一套方程。问题是，方程里最关键的“超额自由能泛函”几乎没有通用的解析表达式。传统做法是换不同的物理图像去逼近：硬球部分用基本测量理论、色散部分用平均场、分子内键合用统计关联，等等。这些近似在某一个特定体系里往往效果不错，可一旦外部势的形状、组分的极性或分子构象发生变化，近似的前提就变弱了。

要解决这个问题，需要让泛函本身具有表达能力和迁移能力。而经典的“从第一性原理推导一个通用泛函”目前只能覆盖很有限的体系，所以自然而然的路线是用神经网络去参数化这个泛函。

但这里有一个很多初学者会忽略的点：如果只是用一个普通的深度神经网络去拟合密度分布，模型会记住训练集的几何位置，而不是学习到“流体在势场中的热力学响应”。为什么？因为普通卷积网络通常只具备平移等变，不具备旋转等变；而物理上的外部势和密度场在三维空间里的关系，必须在任意外部势的旋转、平移下保持一致。三维材料里的吸附位点不可能在训练时全部枚举，如果模型没有内建旋转对称性，它就需要用数据去硬“背”不同朝向的构型，迁移效果自然差。

所以这篇文章真正要关注的问题有四个：

1. 经典DFT要预测的目标物理量是什么，为什么不能只用简单的黑箱回归。
2. 等变学习在这个问题里代表什么，它约束的是能量、力还是密度场。
3. 一个可迁移的三维模型应该学 “外部势到密度” 的映射，还是学 “自由能关于密度的泛函关系”。
4. 工程上到底应该怎么生成数据、训练模型、验证对称性。

如果你正在考虑用机器学习替代部分分子模拟，或者想用等变神经网络处理与坐标强相关的物理场，这篇文章会值得你收藏。

2. 三维cDFT是什么：一个让科研人员又爱又恨的经典理论

2.1 经典密度泛函不是Kohn-Sham密度泛函

在机器学习领域提到“密度泛函”，很多人第一反应是第一性原理计算里的Kohn-Sham DFT。但在分子模拟领域，还有一个研究对象叫经典密度泛函理论（classical density functional theory, classical DFT）。这个名字里的“经典”指的是“处理经典统计力学体系”，也就是研究原子、分子或胶体粒子在给定外部势场中的平衡密度分布，而不是电子云密度。

两者的区别可以用一张表快速对比：

所以，当你看到“learning classical density functional”时，不要自动把它归类为量子化学机器学习。这里的核心任务更像是在学习一个统计力学的热力学势函数。

2.2 平衡密度：一个变分问题的解

经典DFT的中心量是粒子的平衡密度分布 (\rho(\mathbf{r}))。对一个开放体系，系统的巨势可以写成：

[ \Omega[\rho] = F[\rho] + \int \rho(\mathbf{r}) V_{\mathrm{ext}}(\mathbf{r}) d\mathbf{r} - \mu \int \rho(\mathbf{r}) d\mathbf{r} ]

其中 (F[\rho]) 是亥姆霍兹自由能泛函，(V_{\mathrm{ext}}(\mathbf{r})) 是外部势场，(\mu) 是化学势。对一个给定的温度、化学势和外部势，实际会出现的平衡密度分布，就是使 (\Omega[\rho]) 达到极小值的那个 (\rho(\mathbf{r}))。

这个变分问题又经常被写成：

[ \frac{\delta F[\rho]}{\delta \rho(\mathbf{r})} + V_{\mathrm{ext}}(\mathbf{r}) = \mu ]

这里 (F[\rho]) 还可以进一步拆成理想气体贡献和超额贡献：

[ F[\rho] = F_{\mathrm{id}}[\rho] + F_{\mathrm{ex}}[\rho] ]

理想气体部分的表达式是严格已知的。真正难啃的是 (F_{\mathrm{ex}}[\rho])。它代表了粒子之间的相互作用对系统自由能的所有修正。只要你能给出一个足够准的 (F_{\mathrm{ex}}[\rho])，原则上就可以通过极小化 (\Omega[\rho]) 得到三维空间里的平衡密度分布。

2.3 传统近似泛函为什么难以迁移

在经典DFT的历史上，硬球流体已经有了相当成功的近似，比如基于几何泛函的基本测量理论。当你把硬球排斥、方阱吸引、库仑作用分段组装起来时，也能处理不少简单流体。

但真实问题往往没有这么老实。比如：

• 聚电解质的单体之间存在长程关联；
• 离子液体中的阴、阳离子有强局域排布效应；
• 水分子在疏水限域环境中会形成取向性明显的氢键网络；
• MOF孔道里吸附位点是非均匀的，密度场可能是完全无序的三维结构。

对一个固定的理论近似，比如局部的平均场近似，它没有足够的能力表达这些复杂关联。更麻烦的是，如果泛函形式是手工拼的，你没有一条清晰的路径去判断它的误差来自哪里。把外部势一换，流体结构稍有变化，整个泛函就可能失效。

从这些痛点出发，最自然的问题就出现了：能不能用一个高表达能力的等变神经网络去直接参数化 (F_{\mathrm{ex}}[\rho]) 或平衡密度映射，让它既能表达非局域关联，又不会破坏物理对称性？

3. 等变学习：把“旋转后依然成立”写进网络结构

3.1 不变性与等变性有什么区别

在物理建模里，我们经常强调“对称性”。但严格来说，需要区分两种对称性：

• 不变性：输入经过变换，输出保持不变。
• 等变性：输入经过变换，输出以同样方式变换。

一个简单的例子是图分类。图像旋转之后，分类标签“猫”仍然不变，这是不变性。但在密度场的预测问题中，密度不是一个标签，而是一个带坐标的场。外部势如果旋转了90度，流体密度分布也必须跟着旋转90度。你要的不仅是结果不变，而是结果“以同样的方式跟着坐标一起变化”。这才是等变性。

用公式表示，对一个作用于三维坐标的旋转 (g)，网络 (f) 需要满足：

[ f(g \cdot \mathbf{x}) = g \cdot f(\mathbf{x}) ]

如果 (f) 的输入是外部势场 (V(\mathbf{r}))，输出是某个空间的密度场 (\rho(\mathbf{r}))，那么 (g \cdot \rho(\mathbf{r}) = \rho(g^{-1}\mathbf{r}))。也就是说，网络必须是三维空间中的等变函数。

3.2 为什么三维cDFT离不开等变

这一问题在三维经典DFT中尤其重要。一维DFT通常只考察密度沿一个方向的变化，比如平板狭缝的吸附。这时候你只需要沿一个轴做卷积或插值，对称性要求相对简单。但三维经典DFT要处理的是孔道、表面粗糙度、多个吸附位点、团聚体、复杂几何形状，输入和输出都是定义在三维体素网格上的场。

如果模型没有等变性，会发生什么？

假设训练集里有一条沿x轴朝向的狭缝，模型学到外部势场在x方向快速变化时会产生某种密度峰。当你把这条狭缝旋转成y方向测试，模型就必须依靠训练数据“见过类似朝向”才能给出正确结果。这意味着，为了让模型应对任意外部势形状，你必须在训练集里提供海量的旋转增广，且模型仍然无法严格保证物理一致性。

更不利的是，经典DFT模型通常还需要做自洽迭代。模型输出的密度分布会被再次代入方程计算热力学量，如果网络结构本身不满足对称性，每一步迭代都会引入不规则的“参考系漂移”，这种误差很容易累积。

因此，把旋转对称性内建到网络结构里，数学上更优雅，工程上也能显著减少数据依赖。近年来等变图神经网络和球谐卷积的成熟，比如e3nn、NequIP、MACE这类工具，已经让实现三维等变网络变成了一件门槛不高的事。算法研究者不需要再自己从零推导不可约表示，直接使用现成的irreps和tensor product层就能搭建模型。

4. “可迁移三维cDFT”的建模主线

4.1 路线A：直接学习自由能泛函

最贴近经典DFT正统思路的做法是：参数化一个超额自由能泛函 (F_{\theta}[\rho])，然后通过自动微分得到超额化学势：

[ \mu_{\mathrm{ex},\theta}(\mathbf{r}) = \frac{\delta F_{\theta}[\rho]}{\delta \rho(\mathbf{r})} ]

有了这个超额化学势，就能把它代入平衡方程，通过迭代求解密度分布。这种方案的优点是学出来的不是一个简单的输入输出映射，而是一个可以重复使用的热力学势。模型一旦训练完成，仍然是在“求解DFT方程”，只不过自由能函数被换成了一个可微网络。

但这条路有几个难点。第一，网格上的泛函要表达非局域相互作用，通常不能只用一个局部体素的特征，还需要多尺度感受野或非局域描述符。第二，为了保证极小化过程稳定，模型输出的自由能泛函可能需要满足凸性约束或商正则化条件，这实现起来并不容易。第三，训练数据往往不是“自由能”，而是平衡密度或其他可直接统计的热力学量。为了让网络学习到正确的泛函导数，需要把DFT求解过程嵌入训练循环，这是目前还未完全收敛的难题。

4.2 路线B：学习外部势到密度的端到端映射

更工程化的做法是绕开显式自由能表达，直接训练一个网络：

[ \rho(\mathbf{r}) = G_{\theta}[V_{\mathrm{ext}}, \mu, T] ]

也就是把外部势和热力学条件作为输入，预测平衡密度场。这种做法的本质是用网络去隐式学习“流体如何响应外部势”。

它的优势在于训练实现相对简单：只要能从分子模拟轨迹中提取平衡密度作为标签，就可以构造监督学习数据集。前向推理也很快，一次网络前向就能得到大致的密度分布，不再需要迭代求解。

但要注意，如果只学映射，模型很难保证热力学一致性。比如，对同一个化学势做微小扰动，密度的响应是否满足涨落-耗散关系？模型不会天然知道。外部势平移、旋转后的密度场是否等变？模型也不会天然知道，除非编码进网络结构。

从“可迁移”的角度看，端到端映射路线在泛化到新材料时风险更高。因为它很容易把网络变成“记住了训练集中外部势形状与密度分布之间的查表关系”。因此，如果你走这条路线，等变模块和精心设计的物理描述符就更加重要。

4.3 热力学一致性与对称性约束

无论是路线A还是路线B，真正决定模型是否“物理”的，是一组不变量约束。我们至少需要考虑以下几条：

• 平移等变性：整体平移外部势场，密度分布应整体平移，能量不变。
• 旋转等变性：整体旋转外部势场，密度分布应同步旋转。
• 置换对称性：如果粒子是同种粒子，粒子交换不影响自由能。
• 热力学一致性：密度对化学势/温度的响应应与巨势的二阶导数一致。
• 粒子数守恒：密度场的空间积分等于体系平均粒子数。

在神经网络层面，平移等变性通常由卷积结构或相对坐标机制保证。旋转等变则需要使用球谐基底、张量积或steerable filter。置换对称性通常通过消息传递或按原子类型聚合来实现。

这些约束看起来很高大上，但它们在实际实现中是具体的。用e3nn搭建层时，你需要声明irreps的输出阶数；用3D卷积时，你需要考虑卷积核本身如何随旋转变化；在损失函数里，你还需要加入粒子数守恒项。

4.4 “可迁移”到底指什么

材料领域说“可迁移”，一般分几个层次：

1. 同一分子，不同外势形状之间迁移。比如从平面狭缝迁移到纳米圆柱孔道，这是最容易的目标。
2. 同一体系，不同热力学状态之间迁移。例如常温迁移到高温，低密度迁移到高密度。
3. 不同分子或组分的迁移。从纯溶剂迁移到混合物，或者从简单单原子流体迁移到链状分子。

如果你看到一个项目叫“transferable classical density functional”，最好先确认它说的迁移是哪一种。因为它对应的模型设计和数据要求差别非常大：

• 如果只需要跨孔道几何迁移，那么模型输入里必须包含“外部势场”的信息，而不能只给一个几何描述符。
• 如果需要跨热力学状态迁移，那么温度、化学势必须作为显式输入，或者模型必须学习自由能泛函后才能自洽改变化学势。
• 如果需要跨化学组分迁移，你必须对分子内结构和粒子间相互作用做更底层的建模。

否则，所谓的迁移可能只是对同一数据分布做随机划分后的插值，并不能说明模型真的学到了物理规律。

5. 数据准备：从MD轨迹生成参考密度

5.1 输入输出约定

要训练一个三维cDFT模型，第一步是把物理问题转化为监督学习所需的张量表示。

一种常见的输入输出约定是：

• 输入1：三维外部势场图 (V_{\mathrm{ext}}(\mathbf{r}))，定义在规则网格上。
• 输入2：热力学状态标量，比如温度 (T) 和过量化学势 (\mu_{\mathrm{ex}})。
• 输出：三维平衡数密度图 (\rho(\mathbf{r}))。

外部势场通常来自材料格点、固定电荷分布或几何约束。密度图则是从分子模拟轨迹中统计得到的。如果你的体系包含多种粒子，可以做成多通道输入输出：每种粒子一个通道。

5.2 从轨迹生成参考密度

下面这段代码演示把一帧或一段分子动力学轨迹保存的粒子坐标映射到三维网格。为方便演示，这里假设坐标已经去掉周期性最小镜像效应，并且已经转换到同一套盒子坐标里。

# scripts/build_reference_density.py import numpy as np def atoms_to_density(positions, origin, voxel_size, shape): """ positions: (N_atoms, 3) 的粒子坐标 origin: (3, ) 网格原点 voxel_size: (3, ) 或标量，每个体素的边长 shape: (D, H, W)，网格体素数 """ pos = np.asarray(positions, dtype=np.float64) o = np.asarray(origin, dtype=np.float64) vs = np.asarray(voxel_size, dtype=np.float64) indices = np.floor((pos - o) / vs).astype(np.int64) density = np.zeros(shape, dtype=np.float64) valid = np.all(indices >= 0, axis=1) & np.all(indices < np.asarray(shape), axis=1) idx = indices[valid] for i, j, k in idx: density[i, j, k] += 1.0 # 除以体素体积，得到数密度；再除以帧数得到时间平均 voxel_volume = float(np.prod(vs)) density /= voxel_volume return density if __name__ == "__main__": # 示例：一帧中包含 1000 个粒子 np.random.seed(0) coords = np.random.uniform(0, 10, size=(1000, 3)) rho = atoms_to_density(coords, origin=[0, 0, 0], voxel_size=0.5, shape=(20, 20, 20)) np.save("reference_density_frame.npy", rho)

这段代码把所有轨迹帧映射到同一个网格后，再对所有帧的密度图取平均，就得到目标数密度分布。需要注意一个细节：数密度（number density）与质量密度不同，单位通常是 (1/\mathrm{nm}^3) 或 Å(^{-3})。网格大小需要根据外部势的结构选择，既要能分辨界面上几个纳米范围内的密度振荡，又不能大到让模型训练显存爆炸。

5.3 数据划分和增广

很多初学者会在训练数据划分上犯一个隐蔽错误：把不同朝向的同一个模拟体系都放进训练集，然后随机切出测试集。这样测试结果会看起来很好，但模型实际学到的是“见过这个结构”，不是“学会泛化”。

更稳妥的做法是：

• 按“外部势类型”切分。比如训练集用狭缝和圆柱孔，测试集用真实MOF孔道。
• 按“分子类型”切分。训练集包含水和简单离子混合物，测试集换成甲醇或乙醇溶液。
• 按“状态点”切分。训练集的化学势范围以低密度为主，测试集只看高密度区。

这样的刻意划分会明显降低表观精度，但对理解真实迁移能力更重要。

对于旋转等变网络，数据增广仍然有实用价值。一方面可以提升数值稳定性，另一方面，如果网络并不是严格连续等变的，旋转增广能缓解部分误差。连续等变网络通常也应该使用随机旋转作为训练增广来提升鲁棒性。

6. 原型模型与训练验证

6.1 不建议一开始就上最复杂的等变网络

很多做机器学习的同学看到“经典DFT”后，第一反应是想直接用一个最前沿的等变图神经网络去复现论文。但实际工程上，建议分三步走：

1. 先用一个三维卷积网络跑通整个数据流和训练损失。
2. 验证模型能否在训练集内部拟合出合理的密度峰。
3. 再替换成球谐卷积等真正具备三维旋转等变性的层，测试迁移收益。

三维卷积只严格满足平移等变，不满足旋转等变，但它可以作为“模型必须能处理三维体素分布”的最低基准。它最大的优势是代码短、显存开销直观、容易定位bug。

下面的代码是一个极简三维卷积基线模型。它只是一个Demo骨架，用来演示如何把密度场预测当作逐体素回归问题。

# models/simple3d.py import torch import torch.nn as nn class Simple3DNet(nn.Module): def __init__(self, in_channels=2, hidden_channels=32): super().__init__() # in_channels 可以是 [外部势场, 初始密度/位置标记] 等多个通道 self.block1 = nn.Sequential( nn.Conv3d(in_channels, hidden_channels, kernel_size=3, padding=1), nn.GroupNorm(8, hidden_channels), nn.SiLU(inplace=True), ) self.block2 = nn.Sequential( nn.Conv3d(hidden_channels, hidden_channels, kernel_size=3, padding=1), nn.GroupNorm(8, hidden_channels), nn.SiLU(inplace=True), ) self.out = nn.Conv3d(hidden_channels, 1, kernel_size=3, padding=1) def forward(self, x): x = self.block1(x) x = self.block2(x) return self.out(x)

这个网络输出的是单一组分密度图。如果体系里有多个组分，把最后一层的输出通道改成对应的组分数量即可。注意，经典DFT预测的密度包含数量级变化，接近零的地方仍然有意义。因此输出层最好不要接ReLU直接把负值截断到0，而是先让网络输出对数密度，或者训练后用 softplus 变换。对密度很大的区域，也可以把标签先做 (\log(1+\rho)) 变换，避免模型把所有精力都放在拟合峰值上。

# config/train_example.yaml data: grid_shape: [32, 32, 32] voxel_size: 0.5 input_channels: 2 label_channels: 1 train_npz_dir: "data/train/" val_npz_dir: "data/val/" model: hidden_channels: 32 loss: "weighted_mse" training: batch_size: 2 epochs: 50 lr: 0.0002 weight_decay: 0.0001 log_interval: 5

6.2 训练循环与损失设计

训练循环和其他三维图像回归任务差别不大，但损失函数建议加入物理约束。最简单的手段是在普通MSE外面加两个正则项：

• 密度积分一致性惩罚：预测密度在空间中的积分应与标签密度积分接近。
• 密度平滑项：只在远离界面的地方做轻微惩罚，避免破坏吸附峰的尖锐结构。

下面给出一个可运行的训练骨架：

# scripts/train_baseline.py import torch import torch.nn as nn import numpy as np from models.simple3d import Simple3DNet def load_npz_dataset(npz_paths): xs, ys = [], [] for path in npz_paths: data = np.load(path) xs.append(data["x"]) ys.append(data["y"]) return (torch.tensor(np.stack(xs), dtype=torch.float32), torch.tensor(np.stack(ys), dtype=torch.float32)) def train_one_epoch(model, loader, optimizer, criterion): model.train() total_loss = 0.0 for x, y in loader: optimizer.zero_grad() pred = model(x) loss = criterion(pred, y) # 粒子数守恒正则：每个样本密度积分接近 n_pred = pred.sum(dim=(2, 3, 4)) n_true = y.sum(dim=(2, 3, 4)) loss = loss + 0.01 * ((n_pred - n_true) ** 2).mean() loss.backward() optimizer.step() total_loss += loss.item() return total_loss / max(len(loader), 1) if __name__ == "__main__": # 演示数据：构造一个小的随机张量 np.random.seed(1) sample_num = 4 x = np.random.randn(sample_num, 2, 16, 16, 16).astype(np.float32) y = np.abs(np.random.randn(sample_num, 1, 16, 16, 16).astype(np.float32)) dataset = torch.utils.data.TensorDataset(torch.from_numpy(x), torch.from_numpy(y)) loader = torch.utils.data.DataLoader(dataset, batch_size=2, shuffle=True) model = Simple3DNet(in_channels=2, hidden_channels=32) optimizer = torch.optim.AdamW(model.parameters(), lr=2e-4, weight_decay=1e-4) criterion = nn.MSELoss() for epoch in range(1, 6): loss = train_one_epoch(model, loader, optimizer, criterion) print(f"epoch {epoch}, loss = {loss:.6f}")

这里最值得花时间调的是损失权重。粒子数守恒项的权重如果太大，密度峰会被抹平成均匀背景；太小则模型可能只学会了拟合局部峰值，但总体粒子数偏差很大。建议在验证集中分别记录每个样本的总粒子数误差，而不是只看全局MSE。

6.3 如何验证旋转等变性

当你把模型升级成真正的SE(3)等变网络后，验证它的并不是训练损失，而是一个不变的输出：将输入旋转后输入模型得到的输出，是否等于模型的输出再旋转回来。

下面的代码展示了这个通用的评估流程，核心是使用统一的旋转函数对输入和输出做变换：

# scripts/check_equivariance.py import torch import numpy as np from scipy import ndimage def rotate_vol(volume, angle, axes=(1, 2)): """ volume: np.ndarray with shape (D, H, W) 对前两个空间维度旋转，保持网格形状不变。 """ return ndimage.rotate(volume, angle, axes=axes, reshape=False, order=1, mode="nearest") def equivariance_error(model, x, angle=45.0): model.eval() with torch.no_grad(): pred_original = model(x).cpu().numpy() # 对输入做旋转 x_np = x.cpu().numpy() x_rot_np = np.stack([rotate_vol(x_np[0, c], angle, axes=(1, 2)) for c in range(x_np.shape[1])], axis=0) x_rot = torch.from_numpy(x_rot_np[None]).to(x.device) pred_rot = model(x_rot).cpu().numpy() # 预测输出应同步旋转 pred_rot_back = np.stack([rotate_vol(pred_rot[0, c], -angle, axes=(1, 2)) for c in range(pred_rot.shape[1])], axis=0) err = np.abs(pred_original[0] - pred_rot_back).mean() return err if __name__ == "__main__": from models.simple3d import Simple3DNet model = Simple3DNet(in_channels=2, hidden_channels=32) x = torch.randn(1, 2, 16, 16, 16) err = equivariance_error(model, x, angle=45.0) print(f"平均等变误差: {err:.6f}")

对普通三维卷积网络来说，这个误差会非常大，因为卷积核并不会随着旋转而更新。真正满足旋转等变的模型，理论上这个误差应该接近数值精度。值得注意的是，测试时旋转角度不要只选90度这类与网格强对齐的角度，要多测试30度、45度、70度等非对齐角度。

7. 常见问题与排查思路

在实践中，把等变模型和三维经典DFT数据流接到一起，通常不会一次就成功。下面几个是出现频率最高的问题。

第4个问题最容易糊弄过去。普通回归模型如果只在密度图的体素上计算MSE，模型会把注意力放在高密度区域，因为那里误差绝对值大。结果就是高密度峰拟合得很好，但界面外密度偏低的位置被忽略，整体粒子数积分偏低。训练时把密度积分作为验证指标，而不是只看MSE，是一条非常重要的经验。

第5个问题也很关键。如果你最终目标是SE(3)等变模型，建议直接用e3nn这类库，而不是用3D卷积加旋转增广硬扛。旋转增广在测试角度上能做到近似，但几何和热力学量是连续变化的，增广不可能覆盖所有角度。

8. 最佳实践与工程建议

8.1 优先保证数据质量，再优化模型结构

很多机器学习驱动的材料计算项目，最终毁在数据生成这一步。三维经典DFT的训练数据来自分子模拟，密度统计要足够长时间平均，模拟盒子要足够大以避免边界效应，外部势场采样要覆盖不同曲率和几何形状。

建议在启动大规模训练之前，先做一个小样本验证：取一个狭缝流体体系，用200帧轨迹生成密度，另一个相同体系用2000帧轨迹生成密度。对比两者差别。如果差别已经大于模型目标精度，增加模型复杂度没有意义。

8.2 不要让模型只学“外势长得像哪种形状”

可迁移性的最大敌人不是网络容量不够，而是表达能力都用在了记忆特定几何上。

一个有效的思路是，把模型设计成“先提取外部势场的局部结构，再预测局部密度响应”的形式。网络应学会的是：如果一个体素位于强排斥壁面附近，它的密度会发生什么变化；如果一个体素附近存在低势能吸附位点，密度峰值大概有多高。

这等价于要求模型具备局域感受野和一定的非局域视野。径向基函数、相对坐标、消息传递，都属于这类可实现机制。

8.3 做DFT自洽求解时，把网络放进可微计算图里

如果目标是替代经典DFT里的自由能泛函，那么训练过程不是简单的“输入外部势、输出密度”。你通常要把外势映射到网络，然后网络给出的超额化学势会被用来更新密度，最终预测的平衡密度再与模拟参考值比较。这个过程的链式法则比较长，工程上最好用PyTorch或JAX这类支持自动微分的框架来实现。

不要试图从参考密度反推超额自由能标签，因为这需要求解一个反问题，会引入很大的噪声。比较好的做法是让网络通过隐式微分或迭代求解器反向传播到自由能参数。

8.4 把状态变量显式写进输入

如果模型需要迁移到不同温度或化学势，不要在模型外面单独维护一个状态向量。更好的做法是把状态量编码成可学习的嵌入，再和空间体素特征融合。这样模型才有机会学会“同一孔道在不同化学势下出现不同填充状态”的关系。

但要小心，化学势的范围如果跨过一阶相变，密度场的响应会非常陡峭。直接用回归网络拟合这种不连续关系，模型会产生发散。更稳妥的做法是先预测巨势或局部化学势，再通过最小化求解密度。

8.5 可视化才是唯一可信的Debug方式

三维密度场预测任务不适合只看数值指标。强烈建议把标签密度、预测密度和外部势场叠加成三维可视化图，逐层观察。

• 界面附近的密度振荡位置是否准确？
• 吸附峰是否出现在外势最低点的附近？
• 孔道内部的密度是否出现伪峰？
• 粒子数守恒是否在空间分布上均匀成立？

这些信息在loss曲线里完全看不出来，但一处可视化异常往往能直接指出数据预处理或网络结构的问题。

9. 结尾：不是“用网络拟合分子模拟”，而是“学一个可微泛函”

回到文章最开始的问题。三维经典DFT真正缺的，不是算力，而是一个足够通用、可以跨体系迁移的自由能泛函。等变学习之所以有吸引力，是因为它给了我们一种新的构造泛函的方式：把对称性写进网络结构，让模型在表达复杂关联的同时，不至于学习到坐标系的偶然朝向。

如果你打算在这个方向动手实践，我不建议一上来就复现论文里的最终模型。先跑通“外部势场到三维密度图”的最小训练流程，用普通三维卷积做基线；再换成一个严格旋转等变的特征提取器，观察模型在不同孔道几何上的迁移误差；最后再考虑是否把模型嵌入DFT自洽迭代。

等你真正走完这三步，你会对“等变学习”的理解比只看公式深刻得多。经典DFT和等变学习之间还有大量开放问题，比如长程静电如何在局域等变特征里表达、化学反应导致粒子数可变时模型应该怎么约束。但这些恰恰是这个方向最值得投入的空间。希望这篇文章能帮你把第一块砖放稳。