近日，清华大学物理系徐勇、段文晖研究组利用其原创的深度学习密度泛函理论哈密顿量（DeepH）方法, 发展出DeepH通用材料模型，并展示了一种构建“材料大模型”的可行方案，这一突破性进展为创新材料发现提供了新机遇。研究成果以“Universal materials model of deep-learning density functional theory Hamiltonian”为题于2024年6月12日发表在《科学通报》（Science Bulletin）上。

       密度泛函理论（DFT）是计算物理与材料科学的主流方法，在材料计算设计中发挥了重要作用。DFT哈密顿量是DFT计算的基本物理量，所有其他DFT物理量（包括总能量、电荷密度、能带结构、响应性质等）均能由其直接导出。在前期研究中，徐勇、段文晖领导的研究团队开发了一种名为DeepH的深度学习第一性原理计算方法（进展报道：https://mp.weixin.qq.com/s/51Sip9RvT3nDI4G4CrttDw）。该方法能够从DFT数据中学习，并预测给定材料结构的哈密顿量，从而高效地计算基态物理性质。在DeepH系列研究工作中，研究团队将DeepH框架与等变神经网络结合并推出DeepH-E3框架（进展报道：https://mp.weixin.qq.com/s/A6jUZ0jUc97NTc8tl0D8sw），并被应用于复杂磁性材料的电子结构预测（进展报道：https://mp.weixin.qq.com/s/kdtikJIwVtdQS2oIfGXjBQ），以及密度泛函微扰论计算中（进展报道：https://mp.weixin.qq.com/s/IieJwySYgmborTPTlbpBpg）。本工作致力于用DeepH方法构建覆盖元素周期表及大量材料的通用材料模型。相比于专用材料模型，构建通用材料模型对DeepH方法的鲁棒性与泛化能力提出了更大的挑战。

基于深度学习密度泛函理论哈密顿量（DeepH）方法构建通用材料模型

       研究团队首先创建了一个大型DFT材料数据库，包含超过10,000种材料结构的计算数据。基于此材料数据库与改进的DeepH方法（DeepH-2），研究人员成功构建出一个DeepH通用材料模型，可处理多样化元素组成与原子结构的复杂材料体系，并在材料性质预测方面达到了出色的精度。该通用材料模型可准确预测复杂测试材料的多种物性，验证了模型出色的通用性能。该工作不仅展示了DeepH通用材料模型的概念，还为构建材料大模型奠定了基础，为推动创新材料发现提供了新机遇。

DeepH通用模型在元素周期表上的性能测试

DeepH通用模型在代表性结构上的预测效果

       清华大学物理系徐勇教授和段文晖教授为该论文的通讯作者，研究组本科生王昱翔、博士后李洋、博士生唐泽宸为共同第一作者。合作者还包括清华大学物理系王冲助理教授、北京航空航天大学材料科学与工程学院司晨副教授、研究组博士生李贺、袁子龙、陶泓耕、邹念龙、包挺、梁兴昊、边策，本科生陈泽洲、许上华和科研助理许祗铭。该工作得到了基础科学研究中心、国家自然科学基金委、国家科技部重点研发计划、国家超级计算天津中心等项目单位的支持。

       文章链接：https://doi.org/10.1016/j.scib.2024.06.011