MBFormer：基于 Transformer 的多体相互作用实用材料学习范式
材料科学
2025-07-09 v1 计算物理
摘要
最近，机器学习 (ML) 的激进进展彻底革新了计算材料科学，使材料发现和性质预测实现了前所未有的速度，但量子多体问题——这一问题是理解从传输到光学等激发态性质的关键——由于非局域且能量依赖的相互作用的复杂性，仍然具有挑战性。本文提出一种具有信称性、无网格的基于 Transformer 的模型，MBFormer，旨在直接从均场输入学习整个多体层次，利用注意力机制准确捕获均场状态之间的多体关联。作为原理验证，我们演示了 MBFormer 在预测基于 GW 加 Bethe Salpeter 方程 (GW-BSE) 形式的结果方面的能力，包括准粒子能量、激子能量、激子振荡强度以及激子波函数分布。我们的模型在来自 C2DB 数据库的 721 种二维材料数据集上训练，实现了在不同材料中状态级准粒子和激子能量预测误差 MAE 达到 0.1-0.2 eV 的最佳性能。此外，我们明确展示了注意力机制在捕获多体关联方面发挥关键作用。我们的框架为从基态到实用材料的一般多体预测提供了一个端到端平台，可作为计算材料科学的基础模型。
关键词
引用
@article{arxiv.2507.05480,
title = {MBFormer: A General Transformer-based Learning Paradigm for Many-body Interactions in Real Materials},
author = {Bowen Hou and Xian Xu and Jinyuan Wu and Diana Y. Qiu},
journal= {arXiv preprint arXiv:2507.05480},
year = {2025}
}