电场驱动非平衡载流子与晶格动力学的统一图神经网络框架

电场驱动动力学的有限温度模拟需要对原子间相互作用、局部电子态和依赖于构型的电响应进行统一描述。第一性原理模拟仍然受限于尺度，而传统的机器学习势函数缺乏电场效应。最近的机器学习框架已经纳入了电场响应或原子分辨的电子态信息，但很少在单一框架内同时包含两者。在此，我们开发了一种电场响应图神经网络（EFR-GNN），可预测能量、力、Born 有效电荷张量、原子分辨电荷和磁矩，并支持具有原子分辨的局部电子态跟踪的长时间场驱动分子动力学。在空穴掺杂的 MgO 中，静态场通过由最近邻模型量化的前向-后向不对称性纠正了热激活的空穴极化子跳跃。在 GaAs 中，共振太赫兹激发产生了相干的 $\Gamma$ 点横光学声子，其退相干与实验一致，而相反的螺旋性会反转其旋转。在超离子 $\alpha$-AgI 中，它再现了温度依赖的 Ag$^+$ 迁移率和集体场驱动离子漂移。总之，EFR-GNN 为场驱动的原子和局域载流子动力学的有限温度模拟提供了一种方法。