Nature | 刚刚宣布！重磅成果悄悄登上Nature！一位材料领域的“疯子”，竟做出如此极致的研究成果！

文章预览

SUMMER 前沿简介        近年来，深度学习（Deep Learning）与第一性原理计算（First-Principles Calculations）的交叉融合，正在重塑材料研发的范式。传统第一性原理方法（如密度泛函理论DFT）虽能高精度预测材料性质，但受限于计算成本高、时间尺度短（通常 < 1,000原子/1ns）的瓶颈。深度学习的介入通过两种路径突破这一困局： 势函数替代模型 ：图神经网络（Graph Neural Networks, GNNs）通过建模原子间相互作用势，可构建精度逼近DFT的原子间势（如DeepMD、SchNet），将分子动力学模拟尺度扩展至百万原子/微秒量级，成功应用于锂电池固态电解质界面演化、合金相变动力学等复杂场景； 逆向材料设计 ：生成对抗网络（GANs）与强化学习的结合，实现了从目标性能（如带隙、杨氏模量）到材料结构的逆向映射。2023年MIT团队通过扩散模型生成的新型二维铁电材料 ………………………………