文章预览
近日，清华大学物理系徐勇、段文晖研究组基于深度学习密度泛函理论哈密顿量（DeepH）方法，发展出一种具备第一性原理智能的深度学习电子结构计算方法DeepH-Zero。该方法首次在算法层面实现了神经网络与密度泛函理论的深度结合，赋予了模型基于物理原理的非监督学习能力。 深度学习第一性原理计算是量子物理与人工智能的前沿交叉研究方向，可用于实现人工智能驱动的新物理与新材料发现。在前期研究中，徐勇、段文晖研究组发展了一种名为DeepH（Deep-learning DFT Hamiltonian）的深度学习电子结构计算方法 （ 进展报道：https://www.tsinghua.edu.cn/info/1175/96043.htm ） 。该方法能够从密度泛函（DFT）数据中学习，并准确预测给定材料的哈密顿量，进而高效计算多种材料性质。随后，团队分别基于等变网络技术，推出了DeepH-E3方法 （ 进展报道：https://www.tsin
………………………………
