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。
❓
延伸问答
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。
➡️
