神经网络替代密度泛函理论！清华研究组发布通用材料模型 DeepH，实现超精准预测

AIGC动态欢迎阅读

原标题：神经网络替代密度泛函理论！清华研究组发布通用材料模型 DeepH，实现超精准预测
关键字：材料,模型,结构,数据,解读
文章来源：HyperAI超神经
内容字数：0字

内容摘要：

作者：田小幺
编辑：李姝
清华大学研究人员利用原创的深度学习密度泛函理论哈密顿量 (DeepH) 方法，发展出 DeepH 通用材料模型，并展示了一种构建「材料大模型」的可行方案，这一突破性进展为创新材料发现提供了新机遇。在材料设计中，了解其电子结构与性质是预测材料性能、发现新材料、优化材料性能的关键。过去，业界广泛使用密度泛函理论 (DFT) 来研究材料电子结构和性质，其实质是将电子密度作为分子（原子）基态中所有信息的载体，而不是单个电子的波函数，从而将多电子体系转化为单电子问题进行求解，既简化了计算过程，又可以确保计算精度，能更准确地反映孔径分布。
然而，DFT 的计算成本极高，通常只能用于研究小尺寸的材料系统。受到材料基因组倡议的启发，科学家们开始尝试利用 DFT 构建庞大的材料数据库，虽然目前只收集到了有限的数据集，但这已经是一个了不起的开始。以此为开端，随着 AI 技术带来的全新变革，研究人员开始思考，「将深度学习与 DFT 进行结合，让神经网络深入学习 DFT 的精髓，能否带来一场革命性突破？」
这正是深度学习密度泛函理论哈密顿量 (DeepH) 方法的核心。通过将 DFT

原文链接：神经网络替代密度泛函理论！清华研究组发布通用材料模型 DeepH，实现超精准预测

联系作者

文章来源：HyperAI超神经
作者微信：HyperAI
作者简介：解构技术先进性与普适性，报道更前沿的 AIforScience 案例