神经网络替代密度泛函理论！清华研究组发布通用材料模型 DeepH，实现超精准预测
💡
原文中文，约4800字，阅读约需12分钟。
📝
内容提要
该文章介绍了将深度学习与密度泛函理论相结合的新材料设计方法，通过神经网络预测材料的电子结构和性质。研究人员构建了一个包含104种固体材料的大型数据库，并成功开发了一个通用材料模型。该模型通过训练和微调能够准确预测材料的能带结构和其他性质。这种深度学习方法为创新材料发现提供了新机遇，但仍面临一些挑战。
🎯
关键要点
-
深度学习与密度泛函理论相结合的新材料设计方法。
-
研究人员构建了包含104种固体材料的大型数据库。
-
成功开发了通用材料模型，能够准确预测材料的能带结构和其他性质。
-
DFT计算成本高，通常只能用于小尺寸材料系统。
-
DeepH方法通过神经网络封装DFT复杂性，提高计算速度和效率。
-
DeepH通用材料模型为创新材料发现提供新机遇。
-
研究通过AiiDA构建大型材料数据库，排除磁性材料干扰。
-
最终材料数据集包含12,062个结构，按比例划分为训练集、验证集和测试集。
-
DeepH模型使用DFT哈密顿量作为机器学习目标，能够描述材料结构-性质关系。
-
DeepH根据局部结构信息学习和预测DFT哈密顿矩阵块，简化深度学习任务。
-
DeepH-2方法训练的模型在预测材料性质方面表现优异。
-
模型在训练、验证和测试集上的平均绝对误差分别为1.45、2.35和2.20 meV。
-
微调通用材料模型显著提高了预测准确性和训练效率。
-
AI for Science在材料科学领域面临可信度和有效实施的挑战。
-
全球范围内，科技巨头在材料科学领域的AI应用不断涌现。
➡️
