近期，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，这一突破性进展为人工智能驱动的材料发现提供了全新的机遇。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。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，并被应用于复杂磁性材料的电子结构预测以及密度泛函微扰论计算中。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，为推动人工智能驱动的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。
国家超级计算天津中心的天河新一代超级计算机为本研究提供了重要支撑，其超大规模的计算资源以及专业的技术团队极大地加快了研究进展。
（如有版权问题，请联系删除）
