用于统一电子结构和原子势能的图神经网络：2D 材料的应变可调电子结构
材料科学
2025-10-23 v1 计算物理
摘要
我们引入 UEIPNet，一个等变图神经网络，用于预测原子结构的原子势能和紧束缚 (TB) Hamilton 量。UEIPNet 采用密度泛函理论计算后进行 Wannier 投影来预测能量和力作为节点级目标，以及 Wannier 投影 TB 矩阵作为边级目标。这使得对耦合机械电子响应进行物理一致的建模成为可能，准确度接近 DFT。基于双层石墨烯和单层 MoS2 DFT 数据训练的 UEIPNet 捕捉到了关键变形-电子效应：在扭叠石墨烯中，它揭示了层间间距、平面应变和垂直波纹如何驱动孤立平面带形成，并进一步表明调节基质相互作用强度可在魔角之外生成平面带。对于单层 MoS2，UEIPNet 正确再现了声子色散、应变相关带隙演化以及非均匀应变下局部态密度的调制。UEIPNet 提供了一个通用、高效且可扩展的框架，用于研究大规模原子系统中的变形-电子耦合，桥接了经典原子模拟和电子结构计算。
关键词
引用
@article{arxiv.2510.16605,
title = {Graph Neural Network for Unified Electronic and Interatomic Potentials: Strain-tunable Electronic Structures in 2D Materials},
author = {Moon-ki Choi and Daniel Palmer and Harley T. Johnson},
journal= {arXiv preprint arXiv:2510.16605},
year = {2025}
}