计算化学理论课程
介绍
本系列课程涵盖量子化学与密度泛函理论、分子动力学与机器学习分子动力学、固体电子结构、统计热力学及自由能计算方法等内容，系统探讨计算化学核心原理与前沿应用。
课程列表
- 量子化学和密度泛函理论
本课程着眼于系统性探讨量子化学在解决微观化学难题中的关键方法。涵盖密度泛函理论（Density Functional Theory, DFT）的基本原理，以及计算化学中赝势（Pseudo Potential）和基组（Basis Set）的原理与应用。旨在为即将踏入计算化学领域的科研人员奠定坚实的理论基础。
首部分从量子力学的发展历程出发，介绍了波函数、算符、本征方程、Schrödinger方程以及Born-Oppenheimer近似等基本原理。深入探讨了多电子问题处理方法在实际化学体系中的核心地位，引入了单电子近似、Pauli不相容原理和反对称波函数等理论。以Hartree-Fock（HF）方法为例，详细介绍了处理多电子体系波函数的方法，并通过电子相关性问题的讨论引出了密度泛函理论。
第二部分系统地阐述了电子密度与泛函的概念，Hohenberg-Kohn定理Ⅰ&Ⅱ以及Kohn-Sham方程。侧重介绍了Kohn-Sham方程中各物理量的意义，以及求解该方程的方法。最后，详细探讨了LDA/GGA/meta-GGA/杂化泛函等交换相关泛函方法的基本原理和特点。
第三部分结合计算化学近似处理复杂问题的实际需求，介绍了赝势和基组的原理与应用。重点讨论了赝势的物理意义，以及基组的原子轨道线性组合表示（Linear Combination of Atomic Orbitals, LCAO）、极化函数（Polarisation Functions）和弥散函数（Diffusion Functions）的原理。 - 分子动力学/机器学习分子动力学
本课程旨在介绍经典分子动力学（Classical Molecular Dynamics）和机器学习分子动力学（Machine Learning Molecular Dynamics）的基本原理。课程介绍如何使用分子动力学模拟来研究材料和分子的物理化学性质，并了解如何利用机器学习方法生成势函数以提升分子动力学模拟的效率和准确性。经典分子动力学部分课程内容包括分子动力学的基本原理、原子间相互作用势及经典力场的介绍、牛顿运动方程的数值解法、统计系综的概念、温度与压强控制方式、分子动力学模拟的实现过程等。机器学习分子动力学部分课程内容包括机器学习势与经典力学和量子力学的关系，机器学习分子动力学的原理、原子能量与深度势能平滑模型的概念、机器学习模型的结构与优化方法。课程适合材料科学、化学相关专业以及对分子模拟与机器学习有兴趣的初学者。 - 固体电子结构
本课程概述固体物理发展史，重点讲述晶体结构和能带理论。通过介绍晶体的周期性排列及其对物性的重要影响，引入布洛赫定理如何揭示电子在一维与三维周期场中的行为。课程还将讨论紧束缚近似的应用及其对能带结构的简化分析，深入讲解能态密度与费米面的物理意义及其在导电性、半导体特性中的关键作用。该课程适合希望掌握固体物理基础并理解其现代应用的学习者，后续课程为密度泛函理论 - 统计热力学
本课程主要介绍了计算化学中常用到的统计热力学的基础概念，以及和电化学计算相关的自由能计算方法。 - 自由能计算方法
本课程从统计的角度来介绍自由能的相关概念，并和类似相关易混淆概念势能面进行联系，解析两者之间的区别和联系。介绍了在计算化学中用于计算反应自由能的方法，着重介绍了目前使用较为广泛的增强采样方法的原理、思想以及课题组中的常用手段，并回扣到前面的自由能基本原理部分。最后对一个简单的自由能计算实例进行了演示。