面向加速量子材料发现的通用自旋轨道耦合哈密顿量模型

准确建模自旋轨道耦合(SOC)效应在复杂系统中的作用 remains a significant challenge due to density functional theory(DFT)的高计算需求以及现有机器学习框架的有限可迁移性。本研究通过引入 Uni-HamGNN，一个适用于周期表全域的通用 SOC 哈密顿量图神经网络，来解决这些限制。该方法通过将 SOC 哈密顿量分解为自旋无关项和 SOC 校正项，保留 SU(2) 对称性并显著降低参数需求。基于此分解，我们提出一种 delta-learning 策略分别拟合两个分量，从而解决因两个分量幅值差异导致的训练困难，实现高效训练。该模型在 SOC 相关分量上实现了惊人的精度(平均绝对误差为 0.0025 meV)，并通过对 GNoME 数据集进行高通量筛选，验证了针对拓扑绝缠体的广泛适用性，同时对 2D valleytronic 材料和过渡金属硫化物(TMD)异质结构实现了精确预测。这一突破性成果消除了系统特定重新训练和高成本 SOC-DFT 计算的需求，为快速发现量子材料铺平了道路。