💡
原文中文，约3300字，阅读约需8分钟。
📝
内容提要
清华大学团队开发了一种实空间重构方法，将DeepH深度学习扩展到平面波基组，与所有DFT程序兼容。该方法比传统方法快，提升了计算精度和泛化能力。在扭曲双层石墨烯和双层MoS2的应用中表现优异，降低了计算成本，提高了预测精度。这促进了深度学习在材料科学中的应用。
🎯
关键要点
- 清华大学团队开发了一种实空间重构方法，将DeepH深度学习扩展到平面波基组。
- 该方法与所有DFT程序兼容，比传统方法快几个数量级。
- 新方法提升了计算精度和泛化能力，促进了深度学习在材料科学中的应用。
- DeepH方法在速度和精度上取得了显著成功，但最初只支持局域原子轨道基组。
- 实空间重构方法通过PW DFT结果重构AO哈密顿量，解决了PW基下的深度学习DFT哈密顿量问题。
- 该方法在扭曲双层石墨烯和双层MoS2的应用中表现优异，降低了计算成本，提高了预测精度。
- 研究表明，使用新方法生成的AO哈密顿量易于被神经网络模型学习。
- 实空间重构方法的计算效率高于传统投影方法，适用于更广泛的科学研究。
➡️
