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
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。
延伸解读
DeepH 如何提升材料计算效率
传统密度泛函理论（DFT）计算成本极高，通常只能处理小尺寸材料系统。DeepH 通过神经网络学习 DFT 哈密顿量，将复杂的 DFT 计算封装在模型中，从而大幅提升计算速度和效率。一旦训练完成，模型能够快速预测新材料的电子结构，为材料筛选和设计提供高效工具。
通用材料模型的构建与数据基础
研究团队利用 AiiDA 构建了包含 104 种固体材料、12,062 个结构的大型数据库，并排除了磁性材料干扰。数据集按 6:2:2 划分为训练、验证和测试集。基于此训练的 DeepH 通用模型在测试集上预测哈密顿量矩阵元的平均绝对误差仅为 2.20 meV，展示了良好的泛化能力。
微调策略显著提升特定材料预测精度
针对碳同素异形体，研究人员对通用模型进行微调，创建了专用 DeepH 模型。微调后，预测误差降至 0.54 meV，且仅需不到 50% 的训练结构即可达到可比精度。微调还改善了训练收敛速度，减少了训练时间，表明通用模型结合微调可高效适应特定材料体系。
AI for Science 在材料领域的挑战与前景
尽管 DeepH 等 AI 方法加速了材料发现，但 AI for Science 仍面临可信度和有效实施的挑战，包括确保数据质量、识别和减轻数据偏差等。这些问题的解决需要进一步研究，才能让人工智能在材料科学中发挥更大作用。
Q&A
DeepH方法的核心是什么？
DeepH方法的核心是将密度泛函理论的复杂性封装在神经网络中，以提高计算速度和效率。
DeepH模型如何提高材料性质预测的准确性？
DeepH模型通过微调和使用大型材料数据库进行训练，显著提高了预测准确性和训练效率。
研究中使用了多少种固体材料构建数据库？
研究中构建的数据库包含104种固体材料。
DeepH模型在训练和测试集上的平均绝对误差是多少？
DeepH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。
DeepH模型的训练过程中使用了哪些技术？
DeepH模型的训练过程中使用了等变神经网络和高通量工作流程。
AI在材料科学领域面临哪些挑战？
AI在材料科学领域面临的挑战包括确保数据质量和识别训练数据的潜在偏差。
