程序 · 杂谈 | 清华放大招：AI 重构电子结构计算，神经网络和 DFT 强强联手，材料模拟要变天

ssst、

已于 2024-08-23 12:51:23 修改

阅读量341

点赞数 4

分类专栏：程序 · 杂谈文章标签：人工智能

于 2024-08-23 11:29:13 首次发布

本文链接：https://blog.csdn.net/2301_81176265/article/details/141461454

版权

程序 · 杂谈专栏收录该内容

8 篇文章 0 订阅

订阅专栏

搞材料模拟的兄弟们都知道，密度泛函理论（DFT）是块硬骨头，算起来又慢又费劲！😩 不过，清华大学的课题组最近开发了一个名为 AI2DFT（基于清华自研算法Deep-learning DFT Hamiltonian的软件）的神器，用神经网络来加速 DFT 计算，速度直接起飞。

传统的深度学习 DFT 研究，都是先用 DFT 吭哧吭哧算一堆数据，然后再用这些数据来训练神经网络。这样做虽然也能提高效率，但是神经网络和 DFT 还是各玩各的，没有真正融合在一起。

清华大学的这个 AI2DFT 就厉害了！它把神经网络和 DFT 的优化过程融合到了一起，实现了“物理信息无监督学习”！也就是说，AI2DFT 不仅能从数据中学习，还能从物理规律中学习，简直是开了挂！

清华大学物理系徐勇、段文晖研究组基于深度学习密度泛函理论哈密顿量（DeepH）方法，发展出一种具备第一性原理智能的深度学习电子结构计算方法DeepH-Zero。该方法首次在算法层面实现了神经网络与密度泛函理论的深度结合，赋予了模型基于物理原理的非监督学习能力！相关研究成果以“基于变分能量最小化的神经网络密度泛函理论”（Neural-network Density Functional Theory Based on Variational Energy Minimization）为题，发表于世界顶级期刊PRL《物理评论快报》（Physical Review Letters），并入选编辑推荐文章。

AI2DFT 的核心秘诀

神经网络DFT的架构和实现。

（a）整体架构：变分DFT，它最小化能量函数E[H]，与代表DFT哈密顿Hθ的等变神经网络相关联。θde-注意到神经网络的参数。材料的结构信息，包括每个原子i的元素类型Zi和原子坐标Ri，嵌入到由角动量量子数l标记的等变向量中，作为神经网络的输入。

（b）采用可微编程的AI2DFT代码实现。正向传递是从H到密度矩阵ρ和电荷密度n，最后到E[H]。自动微分用于计算梯度∇nE、∇ρE、∇HE和∇θE，并利用反向传播进行优化。

变分 DFT： AI2DFT 的核心思想是利用变分原理，将 DFT 的能量泛函作为神经网络的损失函数。DFT 的能量泛函包含了材料体系的各种信息，例如电子密度、哈密顿量等。通过最小化能量泛函，可以得到材料体系的基态能量和电子结构。AI2DFT 将神经网络的参数引入到 DFT 的能量泛函中，将能量泛函转化为神经网络的损失函数。这样一来，优化神经网络的参数就相当于优化 DFT 的能量泛函，从而得到材料体系的基态性质。

DeepH-E3 神经网络： AI2DFT 使用了一种名为 DeepH-E3 的等变神经网络来表示 DFT 哈密顿量。DeepH-E3 神经网络能够学习材料结构和 DFT 哈密顿量之间的映射关系，并且具有平移、旋转不变性，这意味着无论原子如何排列，AI2DFT 都能准确地预测材料的性质。DeepH-E3 的输入是材料的结构信息，包括原子种类和坐标；输出是 DFT 哈密顿量矩阵。通过训练 DeepH-E3，AI2DFT 可以快速准确地预测不同材料的哈密顿量。

自动微分和反向传播：为了让神经网络的参数能够被有效地优化，AI2DFT 将自动微分和反向传播技术引入了 DFT 计算中。自动微分是一种可以自动计算函数导数的技术，而反向传播是一种可以将误差信号从神经网络的输出层传递到输入层的算法。通过自动微分，AI2DFT 可以计算出能量泛函对神经网络参数的梯度，然后利用反向传播算法更新神经网络的参数，从而最小化损失函数。