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！
💡
原文中文，约5000字，阅读约需12分钟。
📝
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。
🎯
关键要点
- 密度泛函理论 (DFT) 是预测和解释材料性质的重要工具，但传统 DFT 计算耗时且复杂。
- 深度学习与 DFT 的结合有助于克服传统 DFT 的缺点，推动材料数据库的构建。
- 清华大学的研究团队提出了神经网络密度泛函理论 (neural-network DFT) 框架，提高了计算的准确性和效率。
- 该研究发表在 Phys. Rev. Lett. 上，标题为「Neural-network density functional theory based on variational energy minimization」。
- 研究开发了名为 AI2DFT 的计算程序，结合了自动微分技术，适用于 DFT 计算和神经网络训练。
- 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。
- AI2DFT 在多种材料的测试中表现出高可靠性和优异的预测精度，尤其在 H2O 分子和石墨烯的计算中。
- 研究团队在第一性原理计算领域取得了重大突破，开发了 DeepH 和 xDeepH 方法，提升了计算效率和精度。
- DeepH-E3 方法能够利用少量 DFT 数据快速预测大规模材料体系的电子结构。
- 研究团队的工作为材料科学和物理研究领域的深度学习应用提供了新的计算工具和方法。
➡️
