继大型语言模型取得成功后，大型材料模型作为材料设计的深度学习计算模型的概念引起了人们的极大兴趣。然而，鉴于材料结构-性能关系的内在复杂性，获取大型材料模型的任务似乎相当具有挑战性。

清华大学徐勇教授、段文辉教授领衔的研究团队，试图通过利用深度学习密度泛函理论哈密顿量(DeepH)方法开发大型材料模型来克服这一挑战。

密度泛函理论 (DFT) 已成为计算材料设计中一种非常有价值的第一性原理方法，也是计算材料科学中最流行的方法之一。DFT 哈密顿量是 DFT 计算中的一个基本量，可以直接推导出所有其他物理量，包括总能量、电荷密度、能带结构、物理响应等。

虽然 DeepH 方法已广泛应用于研究特定材料，但开发一种能够处理元素周期表中大多数元素的多种材料结构的 DeepH 通用材料模型仍然难以实现。DeepH 利用物理的先验知识来增强其模型性能。

先验知识包括等变性的基本原理以及“量子近视原理”。后者指出，诸如 DFT 哈密顿量之类的局部量可以由邻近的化学环境而不是整个材料结构决定，从而确保 DeepH 模型具有良好的可移植性。与特定的材料模型相比，开发 DeepH 的通用材料模型在方法的通用性和鲁棒性方面具有巨大的挑战。

研究团队首先建立了一个大型的DFT数据库，其中包含超过10,000种材料结构的计算数据。基于此材料数据库和改进的DeepH方法(DeepH-2)，研究人员创建了一个通用的DeepH材料模型，该模型能够处理多种元素组成和材料结构，在预测材料性能方面取得了显着的准确性。通过准确预测复杂测试材料结构的材料性能，证明了该模型的稳健性。

这项工作不仅展示了 DeepH 通用材料模型的概念，而且为开发大型材料模型奠定了基础，为推进人工智能驱动的材料发现开辟了重要机遇。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：