材料探索新纪元！清华大学徐勇、段文晖团队发布神经网络密度泛函框架，打开物质电子结构预测的黑箱！
内容提要
清华大学徐勇、段文晖课题组提出了神经网络密度泛函理论（neural-network DFT）框架，通过将神经网络和DFT有机结合，提高了准确性和效率。研究结果表明，神经网络DFT具有高可靠性和预测精度，为材料科学和物理研究领域提供了新的计算方法。
延伸解读
从监督学习到无监督学习：范式转变
传统深度学习DFT方法依赖数据驱动的监督学习，需要预先通过DFT计算生成训练数据，神经网络与DFT是分离的。而神经网络DFT框架将DFT中的能量泛函优化与神经网络中的损失函数最小化统一起来，实现了物理信息引导的无监督学习。这种范式转变让神经网络能够直接学习物理规律，而不仅仅是拟合数据，从而在预测精度上更具优势。
AI2DFT：自动微分驱动的可微DFT程序
神经网络DFT需要计算能量泛函对哈密顿量的梯度∇HE，这对传统DFT代码是巨大挑战。研究团队基于Julia语言和Zygote自动微分框架，从头开发了AI2DFT程序。该程序将自动微分同时用于DFT计算和神经网络训练，通过反向模式AD高效计算梯度。这种可微编程的实现方式，为DFT与深度学习的深度融合提供了关键工具。
精度与泛化：神经网络DFT的实测表现
在H2O分子、石墨烯、单层MoS2和体心立方Na等材料的测试中，神经网络DFT展现出高可靠性和预测精度。以H2O分子为例，其能量预测精度达到0.013 μeV，比数据训练方法高出60倍以上。此外，对训练中未见的435个测试结构，模型仍表现出良好的泛化能力，暗示神经网络学习到了更物理的模式，而非简单记忆数据。
DeepH系列方法：从非磁性到通用材料模型
徐勇、段文晖团队在DeepH系列方法上持续突破：2022年的DeepH利用电子性质局域性，实现大尺度非磁性材料的高效计算；2023年的xDeepH将框架扩展至磁性材料；DeepH-E3引入E(3)等变神经网络，以少量数据训练即可快速预测大规模体系，精度达亚毫电子伏。这些工作为神经网络DFT奠定了坚实基础，并推动了通用材料模型的构建。
Q&A
神经网络密度泛函理论（neural-network DFT）是什么？
神经网络密度泛函理论是一种将神经网络与密度泛函理论结合的框架，旨在提高材料电子结构预测的准确性和效率。
清华大学的研究团队在神经网络 DFT 方面取得了哪些重要成果？
研究团队提出了 AI2DFT 计算程序，结合了自动微分技术，并在多种材料的测试中表现出高可靠性和优异的预测精度。
神经网络 DFT 如何提高计算效率？
神经网络 DFT 通过优化能量泛函和损失函数，实现了更好的物理信息模拟，从而显著提高了计算效率。
AI2DFT 程序的主要功能是什么？
AI2DFT 程序结合了自动微分技术，既可用于 DFT 计算，也可用于神经网络训练，提升了计算的准确性和效率。
神经网络 DFT 在材料科学中的应用前景如何？
神经网络 DFT 为材料科学和物理研究提供了新的计算工具，可能推动材料发现和设计进入数据驱动的新纪元。
研究团队如何验证神经网络 DFT 的可靠性？
研究团队通过对 H2O 分子、石墨烯等材料进行全面测试，验证了神经网络 DFT 在预测精度和可靠性方面的优越性。
