量子化学的性质计算与导数

量子化学计算（Quantum Chemistry Calculations）简单来说，就是通过求解薛定谔方程（或其近似形式），来预测分子在微观尺度下的行为和性质。

一、量子化学能算什么：四大类性质

先给一张"能力全景图"。量子化学的计算结果，大致可以归为以下四大类。

1. 能量与稳定性（Energy & Stability）

这是量子化学最基础的功能，用来判断一个结构是否稳定、以及反应能不能发生。

性质	物理含义	典型用途
体系总能量（Total Energy）	分子在特定结构下的能量	构象比较、能量排序
结合能 / 解离能（Binding / Dissociation Energy）	把分子拆开需要多少能量，或两个分子结合释放多少能量	主客体结合、团簇稳定性
反应能垒（Activation Energy）	过渡态与反应物的能量差	预测反应速率、判断反应路径是否可行
芳香性（Aromaticity）	环状化合物是否具有特殊的离域稳定化	判断芳香/反芳香体系

2. 分子结构与几何（Structure & Geometry）

用来确定分子在三维空间里的"长相"。

• 优化结构（Geometry Optimization）：找到分子能量最低时的构型，得到平衡键长、键角、二面角。
• 过渡态结构（Transition State）：反应路径上能量最高点的结构，帮助理解反应是怎么发生的。
• 构象搜索（Conformational Search）：找出柔性分子（如药物分子、环肽）所有可能的折叠方式。

3. 光谱性质（Spectroscopic Properties）

这是实验表征的"理论眼睛"，用来和红外、核磁等实验结果直接对照。

• 红外 / 拉曼光谱（IR / Raman）：预测化学键的振动频率，用于判断官能团。
• 核磁共振（NMR）：预测化学位移和偶合常数，是有机化学和结构生物学最关心的性质之一。
• 紫外-可见吸收光谱（UV-Vis）：预测电子跃迁，解释分子的颜色或荧光特性。
• 振动圆二色光谱（VCD）：用于确定手性分子的绝对构型。

4. 电子与物理化学性质（Electronic & Physico-chemical Properties）

用来解释分子为什么会有这些反应特性。

• 电子密度（Electron Density）：电子在分子周围的分布，是理解化学键本质的核心。
• 静电势（ESP / MEP）：预测分子表面哪里带正电、哪里带负电，用于解释氢键、药物-靶点结合等分子间相互作用。
• 前线轨道（HOMO / LUMO）：最高占据轨道与最低未占据轨道，用于预测化学反应活性位点。
• 偶极矩（Dipole Moment）：分子极性的大小，影响溶解度、沸点和光谱强度。
• 键级与电荷（Bond Orders & Charges）：分析原子带多少电荷、化学键有多强。

看起来琳琅满目，对吧？但接下来我们要做的事情是：把上面这一切，收拢到"求导"这一条线索上。

二、统一的逻辑：能量 + 导数

整个量子化学性质计算的骨架，可以用下面这张"导数阶梯"来表示：

导数阶数	数学对象	能得到的性质	关键应用
第 0 阶	能量 $E$ 、波函数 $\mathrm{\Psi }$	总能量、电子密度、轨道、静电势、偶极矩	势能面扫描、构象比较、数据集生成
第 1 阶	梯度 $\mathrm{\nabla }E$	原子受力、优化结构、分子动力学轨迹	结构优化、MD
第 2 阶	Hessian ${\mathrm{\nabla }}^{2}E$	振动频率、简正模式、极化率、NMR、激发能	频率计算、过渡态判定、光谱
第 3 阶	三阶力常数 / 三阶响应	非谐频率、超极化率、Raman 强度	非谐振动、非线性光学

下面一阶一阶地展开。

第 0 阶：能量和电子结构

最基础的量子化学计算，并不需要对能量求导。

给定一组原子坐标，求解电子结构，就可以得到：

• 体系的总能量 $E$
• 分子轨道（MO）
• 电子密度 $\rho (\mathbf{r})$

这一类也叫基态计算。别小看它——第 0 阶已经能做很多事情：

• 扫描势能面（PES Scan），比较不同构象的稳定性；
• 为神经网络势能（NNP）模型生成训练数据；
• 画电子密度图、静电势（ESP/MEP）表面，研究电荷分布；
• 从波函数或电子密度进一步得到偶极矩、多极矩等电子性质；
• 计算 $\sigma$ -profile（分子对溶剂的响应），用于溶剂化与 COSMO-RS 类模型。

小结：第 0 阶提供的是"快照" —— 一个结构下电子是怎么排布的。所有更高级的性质，都是在这个快照之上继续加工。

第 1 阶：力和结构优化

如果对能量关于原子坐标求一次导数，就得到了梯度（Gradient）：

$${\mathbf{F}}_I=-\frac{\partial E}{\partial {\mathbf{R}}_I}$$

它告诉我们：每个原子应该往哪个方向、用多大的力气移动。

这一步的重要性怎么强调都不为过——结构优化和分子动力学（MD）都依赖力：

• 结构优化：不断根据梯度调整原子位置，沿着 downhill 方向走，最终找到势能面上的极小点（平衡结构）。
• 分子动力学：用梯度给出力，代入牛顿方程积分，得到体系随时间的轨迹。

所以对于现代量子化学程序而言，"能量 + 梯度"几乎是最基础的一套能力——连这个都算不准、算不快，后面的所有性质都无从谈起。

第 2 阶：开始进入响应性质

继续对能量求导，就得到了 Hessian（力常数矩阵）：

$$H_{IJ}=\frac{{\partial }^{2}E}{\partial {\mathbf{R}}_I\partial {\mathbf{R}}_J}$$

Hessian 描述的是势能面的曲率。把它质量加权并对角化，就可以得到：

• 分子的振动频率和简正模式（Normal Modes）；
• 判断一个结构是真正的极小值（所有本征值 > 0）还是过渡态（恰好一个虚频）。

也就是说，过渡态、反应路径、振动光谱，全部建立在二阶导数之上——化学反应需要的东西，到这里才真正出现。

把外场也看成一种"扰动"

更有意思的是，如果把这些"扰动"从核坐标推广到外加电场、磁场、核磁矩，整个响应性质的世界就打开了：

外界扰动	导数阶数	得到的性质
核坐标（位移）	2 阶	振动频率、简正模式
静电场	2 阶	极化率（Polarizability）$\alpha$
磁场 + 核磁矩	混合 2 阶	NMR 化学位移 / 屏蔽常数
时变外场	线性响应	TDDFT 激发能、UV-Vis 光谱

• 极化率，可以理解为能量对电场的二阶导数；
• NMR 屏蔽常数，涉及磁场与核磁矩的混合导数，其中 GIAO（Gauge-Including Atomic Orbitals） 是解决磁响应计算中"规范原点依赖"问题的重要方法；
• TDDFT 看起来和 Hessian 完全不同，但从理论结构上看，它同样属于响应理论：给基态一个很小的时变外场，看电子密度如何响应，由此得到激发能和光谱。

关键难点：轨道本身也会变

当原子位置或者外场发生变化时，电子轨道本身也会跟着变化。因此你不能只对原来的能量公式机械地求导，还必须回答一个问题：

轨道是怎样响应扰动的？

这就是 CPHF / CPKS 出现的地方。

• CPHF = Coupled-Perturbed Hartree–Fock（耦合微扰 Hartree–Fock）
• CPKS = Coupled-Perturbed Kohn–Sham（耦合微扰 Kohn–Sham）

它们求解的核心，就是 HF 或 DFT 轨道对于微小扰动的一阶响应。

因此，从解析 Hessian、极化率，到磁响应和一大类光谱性质，你都会不断遇到同一个底层结构：

$$\text{外界扰动}⟶\text{轨道响应}⟶\text{密度响应}⟶\text{可观测量}$$

CPHF / CPKS 可以看成量子化学解析性质计算里非常核心的一层基础设施。 谁来把它算得又快又稳，谁就在这条赛道上占了先机。

第 3 阶：非谐性和非线性响应

还可以继续求三阶导数，事情会变得更加"真实"，也更难。

• 对核坐标求三阶导 → 三阶力常数，描述真实分子势能面偏离简单谐振子的程度，由此计算非谐振动频率（实验上观测到的振动频率往往就是非谐的）。
• 对外电场求三次导 → 进入非线性光学性质，例如第一超极化率（First Hyperpolarizability）$\beta$ ，是二阶非线性光学材料（如倍频晶体）的设计基础。
• 混合三阶导数 → 例如 Raman 强度与极化率随核坐标的变化有关，本质上会涉及电场和核坐标之间更高阶的混合响应。

一句话概括：第 2 阶给你"简谐近似下的世界"，第 3 阶开始让你看到这个世界真实的、非线性的褶皱。

三、两条实现路线：高斯基组 vs 平面波

前面讲的是"理论骨架"，但具体落地时，分子计算和固体计算走了两条不同的技术路线。

高斯基组（Gaussian Basis Sets）

分子量子化学的主流选择。

• 优势：大量积分可以解析计算，效率高。
• 代价：原子移动时，基函数会跟着原子一起移动，因此梯度和 Hessian 中需要额外处理 Pulay 项（Pulay force / Pulay contribution，源于基函数本身对坐标的依赖）。
• 响应性质工具箱：常用 CPHF / CPKS。

平面波（Plane Waves）

周期性体系和固体计算的主流选择。

• 优势：基函数固定在空间中、不随原子移动，传统的 Pulay force 问题会简单很多；非常适合周期体系和固体计算。
• 配套：通常结合**赝势（Pseudopotential）**或 PAW（Projector Augmented-Wave） 方法，并利用 FFT 加速。
• 响应性质工具箱：周期性 DFT 常用 DFPT（Density-Functional Perturbation Theory，密度泛函微扰理论）。

有趣的地方：CPHF/CPKS 和 DFPT 名字完全不同，但干的是同一件事——研究电子结构在微小外界扰动下如何变化，而不是重新做大量独立计算。

对比维度	高斯基组（分子）	平面波（周期体系）
典型对象	分子、团簇、反应	晶体、表面、固体
基函数	随原子移动	固定在空间网格上
梯度中的额外项	Pulay 项	相对简单
响应性质方法	CPHF / CPKS	DFPT
常用加速手段	积分 screening、密度拟合	FFT、赝势 / PAW

四、更有趣的事：从低阶导数"绕道"拿到高阶性质

有时候，你能从低阶导数出发，得到本该属于下一阶导数的性质——而且不是靠数值差分，是靠动力学。

例子 1：用一阶导数（力）拿到红外光谱

• 常规路线（第 2 阶）：对角化 Hessian 矩阵 → 得到振动频率 → 红外光谱。
• 绕道路线（第 1 阶 + 动力学）：用梯度做 MD 模拟得到轨迹 → 计算偶极矩-偶极矩关联函数（dipole-dipole correlation function）→ 傅里叶变换得到红外光谱。

例子 2：用 0 阶电子云拿到紫外谱

• 常规路线：LR-TDDFT（线性响应含时密度泛函理论）求激发能。
• 绕道路线：Real-Time TDDFT 直接跑 0 阶电子云密度在外场下的含时演化 → 取 dipole vs. time 做傅里叶变换 → 得到紫外谱图。

一个值得注意的规律

通过第 $n$ 阶导数求得的性质，往往与"线性响应、谐振近似"挂钩；而通过第 $n-1$ 阶导数 + 动力学模拟，往往能得到更准确的结果。

原因也很直观：动力学模拟让体系"真实地去动"，天然包含了非谐性、非平衡效应和温度效应——这些恰恰是解析高阶导数在近似框架下丢掉的细节。

这也给计算化学工作者一个实用启示：当你需要超越简谐/线性响应极限的精度时，不妨往回退一阶，用动力学把丢失的物理"跑"回来。

五、量子化学与机器学习：强数学 + 弱数据

最后聊一个更"当下"的话题。

量子化学与机器学习方法有一个本质区别：

• 量子化学是 强数学 + 弱数据 的组合——原理上受物理定律约束，不依赖大量标注数据；
• 机器学习则是 弱先验 + 强数据——需要大量高质量数据喂养。

这决定了二者不是替代关系，而是上下游关系：量子化学非常适合为机器学习合成所需的数据。典型场景包括：

• 药物分子与蛋白质的相互作用；
• 金属相关药物（organometallic / metal-complex drugs）的电子结构与结合性质；
• 反应势能面、激发态、非谐频率等实验难以直接测量、但 ML 又急需的标签。

换句话说，量子化学是生成"第一性原理数据集"的发动机，机器学习是在这些数据集上学会加速和泛化的引擎。

六、小结

把全文收成一张图，量子化学的性质计算就是这么一件事：

第 0 阶  能量 E  ──────────────────► 总能量、电子密度、静电势、偶极矩、轨道
   │
   ▼ 对核坐标求导
第 1 阶  梯度 ∇E  ─────────────────► 原子受力、结构优化、分子动力学
   │
   ▼ 再求导
第 2 阶  Hessian  ─────────────────► 振动频率、过渡态、极化率、NMR、TDDFT 光谱
   │
   ▼ 再求导
第 3 阶  三阶响应  ─────────────────► 非谐频率、超极化率、Raman 强度

统一的线索只有一条：能量 + 导数。

而真正拉开量子化学程序之间差距的，是这三件事：

1. 导数的阶数能算多高（解析梯度 / Hessian / 三阶导）；
2. 响应方程解得多快多稳（CPHF / CPKS / DFPT 的实现质量）；
3. 基组与算法路线的取舍（高斯基组 + Pulay 项 vs 平面波 + 赝势/PAW + FFT）。

理解了这条线索，再回头看那些五花八门的性质选项——能量、频率、光谱、NMR、激发态——你看到的就不再是一堆零散的功能按钮，而是一座沿着"求导"一级级往上盖的楼。

---

本文基于微信公众号文章《量子化学的性质计算与导数》整理与扩写，结合量子化学常见性质分类重新组织结构，并补充了公式表述、对比表格与延伸阅读建议。