AIGC動態歡迎閱讀

原標題：神經網絡替代密度泛函理論！清華研究組發布通用材料模型 DeepH，實現超精準預測
關鍵字：材料,模型,結構,數據,解讀
文章來源：HyperAI超神經
內容字數：0字

內容摘要：

作者：田小幺
編輯：李姝
清華大學研究人員利用原創的深度學習密度泛函理論哈密頓量 (DeepH) 方法，發展出 DeepH 通用材料模型，并展示了一種構建「材料大模型」的可行方案，這一突破性進展為創新材料發現提供了新機遇。在材料設計中，了解其電子結構與性質是預測材料性能、發現新材料、優化材料性能的關鍵。過去，業界廣泛使用密度泛函理論 (DFT) 來研究材料電子結構和性質，其實質是將電子密度作為分子（原子）基態中所有信息的載體，而不是單個電子的波函數，從而將多電子體系轉化為單電子問題進行求解，既簡化了計算過程，又可以確保計算精度，能更準確地反映孔徑分布。
然而，DFT 的計算成本極高，通常只能用于研究小尺寸的材料系統。受到材料基因組倡議的啟發，科學家們開始嘗試利用 DFT 構建龐大的材料數據庫，雖然目前只收集到了有限的數據集，但這已經是一個了不起的開始。以此為開端，隨著 AI 技術帶來的全新變革，研究人員開始思考，「將深度學習與 DFT 進行結合，讓神經網絡深入學習 DFT 的精髓，能否帶來一場性突破？」
這正是深度學習密度泛函理論哈密頓量 (DeepH) 方法的核心。通過將 DFT

原文鏈接：神經網絡替代密度泛函理論！清華研究組發布通用材料模型 DeepH，實現超精準預測

聯系作者

文章來源：HyperAI超神經
作者微信：HyperAI
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例