快多个数量级，清华更高精度、更泛化的深度学习电子结构计算方法登Nature子刊

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | KX 两年前，清华大学物理系徐勇、段文晖研究组开发出高效精确的第一性原理电子结构深度学习方法 DeePH ， 可极大加速电子结构计算。 近日，该团队开发了一种准确而有效的实空间重构方法（ real-space reconstruction） ， 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。而且，该重构方法比传统的基于投影的方法快几个数量级。 这给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。 相关研究以「 Generalizing deep learning electronic structure calculation to the plane-wave basis 」为题，于 10 月 3 日发布在《 Nature Computational Science 》上。 论文链接： https://www.nature.co ………………………………