深度学习与第一性原理计算

深度学习与第一性原理计算

引用

搜狐

1.

https://m.sohu.com/a/800028936_120245066/?pvid=000115_3w_a

深度学习与第一性原理计算的结合为材料科学领域带来了新的研究范式。通过神经网络对密度泛函理论中的核心物理量进行建模，研究人员能够实现更高效、更精确的电子结构计算。

第一性原理计算基于量子力学基本原理，通过求解复杂的多电子相互作用问题实现高精度材料计算预测，已成为现代物理学、化学、材料科学等诸多领域中不可或缺的研究手段。然而，高昂的计算成本限制了第一性原理计算的广泛应用，使得大尺度材料模拟和材料大数据构建等重要领域的发展面临重大挑战。

近年来，AlphaGo、AlphaFold、ChatGPT等突破性工作的涌现宣示了人工智能新时代的来临，第一性原理计算领域也迎来了变革性转变的历史机遇。深度学习为第一性原理计算提供了新的研究范式，通过精确建模和高效预测，有望突破传统方法的瓶颈问题。

研究人员提出了一类基于深度学习的第一性原理计算方法，利用神经网络对密度泛函理论中的核心物理量——密度泛函理论哈密顿量进行建模，并设计出满足局域性原理、协变性原理等关键物理先验的先进神经网络架构，实现了高效精确的深度学习电子结构计算。

该方法已成功应用于转角范德瓦耳斯材料等体系的大尺度材料模拟、基于材料大数据的通用材料模型构建等极具挑战性的任务中，为发展材料大模型、推动人工智能驱动的材料发现提供了新的机遇。