清华大学开发出更高精度、更泛化的深度学习电子结构计算方法
清华大学物理系徐勇、段文晖研究组开发出一种新的深度学习电子结构计算方法，该方法比传统方法快多个数量级，并具有更高的精度和更好的泛化能力。
北京，中国 – 清华大学物理系徐勇、段文晖研究组在深度学习电子结构计算领域取得重大突破。该团队开发了一种名为 DeepH 的方法，该方法可以极大地加速电子结构计算。近日，该团队又开发出一种新的实空间重构方法，将 DeepH 方法从原先仅支持原子基组推广至适用于平面波基组，使得 DeepH 方法可与所有密度泛函理论 (DFT) 程序兼容。
DeepH 方法的优势
DeepH 方法是一种基于深度学习的电子结构计算方法，它利用深度神经网络来学习电子结构的复杂关系。与传统的电子结构计算方法相比，DeepH 方法具有以下优势：
- 速度更快： DeepH 方法比传统的基于 DFT 的方法快多个数量级，这使得它可以用于更大规模的计算。
- 精度更高： DeepH 方法可以达到与传统方法相当的精度，甚至在某些情况下可以超过传统方法。
- 泛化能力更强： DeepH 方法可以泛化到新的材料和体系，而无需重新训练模型。
实空间重构方法的突破
传统的 DeepH 方法仅支持原子基组，这限制了其应用范围。为了解决这个问题，清华大学研究团队开发了一种新的实空间重构方法，该方法可以将 DeepH 方法推广至适用于平面波基组。平面波基组是 DFT 计算中最常用的基组之一，它可以与所有 DFT 程序兼容。
实空间重构方法的优势
实空间重构方法具有以下优势：
- 兼容性更强： 该方法可以将 DeepH 方法与所有 DFT 程序兼容，极大地扩展了 DeepH 方法的应用范围。
- 速度更快： 该方法比传统的基于投影的方法快几个数量级，这使得它可以更快地进行计算。
研究成果的意义
这项研究成果为深度学习电子结构计算方法带来了更高的精度和更好的泛化能力，并打通了其利用电子结构大数据作深度学习的通道。该方法将极大地推动材料科学、化学、物理等领域的发展。
未来展望
清华大学研究团队表示，他们将继续改进 DeepH 方法，使其能够处理更复杂的材料体系，并进一步提高其计算效率和精度。他们还将探索 DeepH 方法在其他领域的应用，例如药物设计和催化剂设计。
论文链接：
https://www.nature.com/articles/s43588-024-00701-9
关键词：
深度学习，电子结构计算，DeepH，实空间重构，平面波基组，密度泛函理论，材料科学，化学，物理
Views: 0