【產(chǎn)通社，7月9日訊】清華大學新聞中心（Tsinghua University News Center）官網(wǎng)消息，其物理系徐勇、段文暉研究組利用其原創(chuàng)的深度學習密度泛函理論哈密頓量（DeepH）方法，發(fā)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(chuàng)新材料發(fā)現(xiàn)提供了新機遇。

密度泛函理論（DFT）是計算物理與材料科學的主流方法，在材料計算設計中發(fā)揮了重要作用。DFT哈密頓量是DFT計算的基本物理量，所有其他DFT物理量（包括總能量、電荷密度、能帶結構、響應性質(zhì)等）均能由其直接導出。在前期研究中，徐勇、段文暉領導的研究團隊開發(fā)了一種名為DeepH的深度學習第一性原理計算方法。該方法能夠從DFT數(shù)據(jù)中學習，并預測給定材料結構的哈密頓量，從而高效地計算基態(tài)物理性質(zhì)。在DeepH系列研究工作中，研究團隊將DeepH框架與等變神經(jīng)網(wǎng)絡結合并推出DeepH-E3框架，并被應用于復雜磁性材料的電子結構預測，以及密度泛函微擾論計算中。該工作致力于用DeepH方法構建覆蓋元素周期表及大量材料的通用材料模型。相比于專用材料模型，構建通用材料模型對DeepH方法的魯棒性與泛化能力提出了更大的挑戰(zhàn)。

研究團隊首先創(chuàng)建了一個大型DFT材料數(shù)據(jù)庫，包含超過10000種材料結構的計算數(shù)據(jù)�；诖瞬牧蠑�(shù)據(jù)庫與改進的DeepH方法（DeepH-2），研究人員成功構建出一個DeepH通用材料模型，可處理多樣化元素組成與原子結構的復雜材料體系，并在材料性質(zhì)預測方面達到了出色的精度。該通用材料模型可準確預測復雜測試材料的多種物性，驗證了模型出色的通用性能。該工作不僅展示了DeepH通用材料模型的概念，還為構建材料大模型奠定了基礎，為推動創(chuàng)新材料發(fā)現(xiàn)提供了新機遇。

6月12日，相關研究成果以“深度學習密度泛函理論哈密頓量的通用材料模型”（Universal materials model of deep-learning density functional theory Hamiltonian）為題，在線發(fā)表于《科學通報》（Science Bulletin）上。

徐勇和段文暉為該論文的通訊作者，研究組2021級本科生王昱翔、博士后李洋、2021級博士生唐澤宸為共同第一作者。合作者還包括清華大學物理系助理教授王沖、北京航空航天大學材料科學與工程學院副教授司晨，研究組博士生李賀、袁子龍、陶泓耕、鄒念龍、包挺、梁興昊、邊策，本科生陳澤洲、許上華和科研助理許祗銘。研究得到基礎科學研究中心、國家自然科學基金委、國家科技部重點研發(fā)計劃、國家超級計算天津中心等的支持。

查詢進一步信息，請訪問官方網(wǎng)站http://www.tsinghua.edu.cn/info/1175/112188.htm，以及https://doi.org/10.1016/j.scib.2024.06.011。（Robin Zhang，產(chǎn)通數(shù)造）    （完）