第一性原理电荷密度预测

##背景 电荷密度分布是描述材料电子结构的核心物理量，准确获取电荷密度对于理解材料的电学、光学和磁学性质至关重要。传统第一性原理计算基于密度泛函理论（DFT），需要通过自洽场迭代求解Kohn-Sham方程，单个材料体系的计算耗时从数小时到数天不等，制约了高通量材料发现的效率。

##方法 本任务开发基于深度学习的电荷密度预测模型，利用图神经网络或Transformer架构从原子结构信息直接预测三维电荷密度分布。模型输入为原子类型和坐标构成的图结构，输出为规划化网格上的电荷密度值。训练过程中引入物理约束损失项，确保预测结果满足电荷密度基本的物理性质。

##应用 该技术可应用于：

1. 高通量材料筛选平台的加速计算模块
2. 新能源材料（锂离子电池正极、燃料电池催化剂）的快速筛选
3. 光电材料的电子结构快速评估
4. 与分子动力学模拟结合，实现大规模材料演化的电子结构分析