快多个数量级，清华更高精度、更泛化的深度学习电子结构计算方法登Nature子刊
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。
延伸问答
清华大学的新深度学习方法有什么创新之处？
清华大学团队开发的实空间重构方法将DeepH深度学习扩展到平面波基组，使其与所有DFT程序兼容，计算速度比传统方法快几个数量级。
该方法在材料科学中的应用效果如何？
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。
DeepH方法的局限性是什么？
最初，DeepH方法只支持局域原子轨道基组，不兼容平面波基组，这限制了其应用范围。
实空间重构方法的计算效率如何？
实空间重构方法的计算效率高于传统投影方法，能够实现线性缩放，比投影方法快几个数量级。
新方法如何解决PW基下的深度学习DFT哈密顿量问题？
新方法通过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，使得生成的AO哈密顿量易于被神经网络学习。
该研究对未来的材料科学研究有什么影响？
该研究使深度学习电子结构方法适用于更多材料，促进了更通用的深度学习模型的建立，能够准确预测不同材料的电子结构。
