通过深度平衡模型将自洽性注入密度泛函理论哈密顿量预测
机器学习
2024-10-10 v2
摘要
在本研究中，我们引入了一种统一的神经网络架构——深度平衡密度泛函理论哈密顿量（DEQH）模型，该模型结合了深度平衡模型（DEQ）用于预测密度泛函理论（DFT）哈密顿量。DEQH模型固有地捕捉了哈密顿量的自洽性，这是传统机器学习方法在哈密顿量预测中经常忽视的一个关键方面。通过在模型架构中采用DEQ，我们避免了在训练阶段引入哈密顿量自洽性所需的DFT计算，从而解决了大型或复杂系统相关的计算瓶颈。我们提出了一个通用框架，将DEQ与现成的机器学习模型相结合用于预测哈密顿量。在MD17和QH9数据集上的基准测试中，DEQHNet（DEQH框架的一个实例）在预测精度上表现出显著提升。除了作为预测器，DEQH模型还是一个哈密顿量求解器，因为它利用深度平衡模型的定点求解能力迭代求解哈密顿量。对DEQHNet的消融研究进一步阐明了网络的有效性，为DEQ集成网络在哈密顿量学习中的潜力提供了见解。我们在 https://github.com/Zun-Wang/DEQHNet 开源了我们的实现。
引用
@article{arxiv.2406.03794,
title = {Infusing Self-Consistency into Density Functional Theory Hamiltonian Prediction via Deep Equilibrium Models},
author = {Zun Wang and Chang Liu and Nianlong Zou and He Zhang and Xinran Wei and Lin Huang and Lijun Wu and Bin Shao},
journal= {arXiv preprint arXiv:2406.03794},
year = {2024}
}