DFTB is still useful in many ways:

DFTB is still useful in many ways: (i) In calculations of large systems
[4,5]. Computational scaling of DFT limits system sizes while better scaling is easier to achieve with DFTB.(ii)Accessing longer time scales. Systems that are limited
for optimization in DFT can be used for extensive studies on dynamical properties in DFTB[6]. (iii) Structure search and general trends [7]. Where DFT is limited to only a few systems, DFTB can be used to gather statistics and trends from structural families.It can be used also for pre-screening of systems for subsequent DFT calculations[8,9]. (iv) Method development. The formalism is akin to that of
DFT, so methodology improvements, quick to test in DFTB, can be
easily exported and extended into DFT[10]. (v) Testing, playing
around, learning and teaching. DFTB can be used simply for playing
around,getting the feeling of the motion of atoms at a given temperature, and looking at the chemical bonding or realistic molecular wave functions, even with real-time simulations in a classroom FTB runs easily on a laptop computer.
DFTB is evidently not an ab initio method since it contains parameters, even though most of them have a theoretically solid basis. With parameters in the right place, however, computational effort can be reduced enormously while maintaining a reasonable
accuracy. This is why DFTB compares well with full DFT with minimal basis, for instance. Semiempirical tight-binding can be accurately fitted for a given test set, but transferability is usually worse; for general purposes DFTB is a good choice among the different tight-binding flavors.

Kết quả (Việt) 1:

DFTB là vẫn còn hữu ích trong nhiều cách: (i) trong tính toán của hệ thống lớn[4,5]. tính toán rộng của DFT giới hạn kích thước hệ thống trong khi tốt hơn rộng dễ dàng hơn để đạt được với DFTB. (ii) Truy cập dài hơn thời gian quy mô. Hệ thống được giới hạnđể tối ưu hóa trong DFT có thể được sử dụng cho các nghiên cứu sâu rộng về các thuộc tính động lực trong DFTB [6]. (iii) cơ cấu tìm kiếm và xu hướng chung [7]. DFT đâu giới hạn đối với chỉ một vài hệ thống, DFTB có thể được sử dụng để thu thập số liệu thống kê và xu hướng từ cơ cấu gia đình. Nó có thể được sử dụng cho vòng của hệ thống sau đó tính toán DFT [8,9]. (iv) phương pháp phát triển. Hình thức là giống như củaDFT, vì vậy phương pháp cải tiến, nhanh chóng để kiểm tra trong DFTB, có thểdễ dàng xuất khẩu và mở rộng vào DFT [10]. (v) kiểm tra, chơixung quanh, học tập và giảng dạy. DFTB có thể được sử dụng đơn giản chỉ để chơixung quanh, nhận được cảm giác của sự chuyển động của các nguyên tử ở một nhiệt độ nhất định, và nhìn vào các liên kết hóa học hoặc thực tế phân tử hàm sóng, ngay cả với các mô phỏng thời gian thực trong một lớp học FTB chạy một cách dễ dàng trên một máy tính máy tính xách tay.DFTB rõ ràng không phải là một phương pháp ab initio vì nó có chứa tham số, mặc dù hầu hết trong số họ có một cơ sở lý thuyết vững chắc. Với thông số đúng nơi, Tuy nhiên, nỗ lực tính toán có thể được giảm rất nhiều trong khi duy trì một hợp lýđộ chính xác. Đây là lý do tại sao DFTB so sánh tốt với đầy đủ DFT với cơ sở tối thiểu, ví dụ. Semiempirical ràng buộc chặt chẽ có thể được trang bị một cách chính xác cho một tập hợp được đưa ra thử nghiệm, nhưng chuyển nhượng là thường nặng hơn; cho mục đích chung DFTB là một sự lựa chọn tốt trong hương vị khác nhau của ràng buộc chặt chẽ.

Kết quả (Việt) 2:

DFTB vẫn còn hữu ích trong nhiều cách: (i) Trong các tính toán của các hệ thống lớn
[4,5]. Mở rộng quy mô tính toán của hệ thống giới hạn kích thước DFT trong khi mở rộng quy mô tốt hơn là dễ dàng hơn để đạt được với DFTB. (Ii) Truy cập vào quy mô thời gian dài hơn. Hệ thống được giới hạn
để tối ưu hóa trong DFT có thể được sử dụng cho các nghiên cứu sâu rộng về đặc tính động lực trong DFTB [6]. (iii) tìm kiếm cấu trúc và xu hướng chung [7]. Trường DFT là giới hạn chỉ có một vài hệ thống, DFTB có thể được sử dụng để thu thập số liệu thống kê và các xu hướng từ families.It cấu trúc có thể được sử dụng cũng cho trước sàng lọc của hệ thống để tính toán DFT sau [8,9]. (iv) phát triển phương pháp. Các hình thức na ná của
DFT, để cải tiến phương pháp, nhanh chóng để kiểm tra trong DFTB, có thể
dễ dàng xuất khẩu và mở rộng thành DFT [10]. (v) Kiểm tra, chơi
xung quanh, học tập và giảng dạy. DFTB có thể được sử dụng chỉ đơn giản là để chơi
xung quanh, nhận được cảm giác của sự chuyển động của các nguyên tử ở nhiệt độ nhất định, và nhìn vào các liên kết hóa học hoặc các hàm sóng phân tử thực tế, ngay cả với các mô phỏng thời gian thực trong một lớp học FTB chạy dễ dàng trên một máy tính xách tay .
DFTB là rõ ràng không phải là một phương pháp initio ab vì nó chứa các thông số, mặc dù hầu hết trong số họ có một cơ sở lý thuyết vững chắc. Với các thông số ở đúng nơi, tuy nhiên, nỗ lực tính toán có thể được giảm vô cùng trong khi duy trì một cách hợp lý
chính xác. Đây là lý do tại sao DFTB cũng so sánh với đầy đủ DFT với cơ sở tối thiểu, ví dụ. Semiempirical chặt chẽ ràng buộc có thể được trang bị một cách chính xác cho một tập kiểm tra đưa ra, nhưng khả năng chuyển nhượng là thường tồi tệ hơn; cho các mục đích chung DFTB là một lựa chọn tốt trong số các hương vị chặt chẽ ràng buộc khác nhau.