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.
đang được dịch, vui lòng đợi..