文章预览
Summary ： 随着大语言模型的巨大成功，“材料大模型”的概念吸引了极大的研究兴趣。然而，由于材料中结构-物性关系的复杂性，建立材料大模型的任务极具挑战。由清华大学徐勇教授、段文晖教授领导的研究团队通过深度学习密度泛函理论哈密顿量方法展示构建“材料大模型”的可行方案，为人工智能驱动的材料发现提供了全新的机遇。该研究作为封面文章发表在 Science Bulletin 2024年第16期。 密度泛函理论（DFT）是计算物理与材料科学的主流方法，在材料计算设计中发挥了重要作用。DFT哈密顿量是DFT计算的基本物理量，所有其他DFT物理量（包括总能量、电荷密度、能带结构、响应性质等）均能由其直接导出（图1）。 图1：基于深度学习密度泛函理论哈密顿量（DeepH）方法建立通用材料模型。(a)一个构建材料大模型的方法示意图。材料大模型可描
………………………………
