面向材料电子结构哈密顿量预测的通用深度学习方法
机器学习
2026-03-03 v5 材料科学
人工智能
化学物理
计算物理
摘要
深度学习方法在电子结构哈密顿量预测方面相较于传统 DFT 方法具有显著的计算效率优势，但原子类型的多样性、结构模式的复杂性以及哈密顿量的高维度复杂度对泛化性能构成了 substantial 挑战。本文在方法与数据集两方面致力于推动哈密顿量预测的通用深度学习范式。方法层面，我们提出 NextHAM，这是一种具有 E(3) 对称性和高表达力的纠正方法，用于高效且通用的材料电子结构哈密顿量预测。首先，我们引入零阶哈密顿量，这可以通过 DFT 的初始电荷密度高效构建，作为神经回归模型输入层信息性描述符，以及目标哈密顿量输出层的初始估计，使得回归模型直接预测目标真实值的校正项，从而显著简化了学习的输入-输出映射。其次，我们提出一种严格遵循 E(3) 对称性且具有高非线性表达能力的神经 Transformer 架构用于哈密顿量预测。再者，我们提出一种新颖的训练目标，确保哈密顿量在实空间和倒空间上的准确性，防止因重叠矩阵条件数较大导致的误差放大和“幽灵态”的出现。在数据集层面，我们策划了一套高质量、覆盖面广的大型基准数据集，即 Materials-HAM-SOC，包含 17,000 种材料结构，涵盖来自周期表六行的 68 种元素，并明确包含 SOC 效应。在 Materials-HAM-SOC 上的实验结果表明，NextHAM 在预测哈密顿量和能带结构方面实现了卓越的准确率和效率。
引用
@article{arxiv.2509.19877,
title = {Advancing Universal Deep Learning for Electronic-Structure Hamiltonian Prediction of Materials},
author = {Shi Yin and Zujian Dai and Xinyang Pan and Lixin He},
journal= {arXiv preprint arXiv:2509.19877},
year = {2026}
}