密度泛函理论哈密顿量的 E(3) 等变神经网络表示的通用框架
计算物理
2023-06-12 v1 材料科学
摘要
深度学习和第一性原理计算的结合在革新未来科学研究方面已显示出巨大前景，但如何设计融入先验知识和对称性要求的神经网络模型是一个关键挑战课题。在此我们提出一种 E(3) 等变深度学习框架，将密度泛函理论（DFT）哈密顿量表示为材料结构的函数，其即使在存在自旋轨道耦合时也能自然保持欧几里得对称性。我们的 DeepH-E3 方法通过从小尺寸结构的 DFT 数据中学习，能够以第一性原理精度进行非常高效的电子结构计算，使得大规模超胞（> 10^4 个原子）的常规研究成为可能。值得注意的是，该方法在高训练效率下可达到亚毫电子伏的预测精度，在我们的实验中展现出最先进的性能。该工作不仅对深度学习方法的发展具有普遍意义，也为材料研究创造了新机遇，例如构建莫尔扭转材料数据库。
引用
@article{arxiv.2210.13955,
title = {General framework for E(3)-equivariant neural network representation of density functional theory Hamiltonian},
author = {Xiaoxun Gong and He Li and Nianlong Zou and Runzhang Xu and Wenhui Duan and Yong Xu},
journal= {arXiv preprint arXiv:2210.13955},
year = {2023}
}