清华徐勇、段文晖Nat. Commun.：将深度学习电子结构方法拓展至杂化密度泛函计算

文章预览

清华新闻网10月25日电  近日，清华大学物理系徐勇、段文晖研究组与合作者发展了深度学习计算方法，将研究组开发的深度学习密度泛函哈密顿量（DeepH）方法从半局域密度泛函推广至杂化密度泛函。这一进展使DeepH能够兼容更高精度的第一性原理计算方法。鉴于杂化密度泛函对激发态性质描述更为准确，此方法提升了深度学习电子结构计算的精度，并有望实现深度学习驱动的高精度光学性质计算。 伴随着人工智能领域的发展，深度学习与第一性原理计算的结合展示出加速材料计算模拟、推动人工智能驱动的材料发现的巨大潜力，已成为计算物理和计算材料学研究的前沿热点之一。DeepH方法是深度学习电子结构计算的代表性方法，其旨在跳过密度泛函理论（DFT）的自洽求解过程，直接预测DFT的核心物理量——DFT哈密顿量。在维持亚-毫电子伏特级别 ………………………………