晶格哈密顿器对易动力学的图神经网络力场模型

可扩展且符合晶格对称性的力场模型，是将量子精度模拟扩展至大尺度时空尺度的关键。虽然基于描述子的神经网络可通过精心设计的特征函数来纳入晶格平移和点群对称性，但我们表明图神经网络（GNN）提供了一种概念上更简洁且更统一的替代方案，其离散晶格平移和点群对称性可通过局部消息传递和权重共享直接实现。我们开发了一种用于晶格哈密顿器对易动力学的GNN力场框架，并以准经典Holstein模型为例进行验证。基于严格特征求解的数据训练后，GNN实现了高精度力场，系统规模呈线性扩展，并可直接迁移至大尺度晶格。由此可实现的可扩展性，使我们能够对随热冲击后产生的电荷密度波有序化进行大规模Langevin动力学模拟，揭示了动力学尺度性和异常缓慢的亚Allen-Cahn coarsening现象。这些结果确立了GNN作为对称感知、大规模相关晶格系统动力学模拟的优雅且高效的架构。