DeePTB｜神经网络与量子力学融合，突破传统紧束缚模型

紧束缚模型（Tight Binding Model, TB Model）作为计算电子结构的等效哈密顿量方法，相对于第一性原理方法，具有尺寸小效率高的优点，在研究纳米尺度或者更大体系的电子性质，探究剖析物理现象的深层机制具有巨大优势。

不过，TB 模型的构建却不是一件容易的事情。根据构建 TB 的不同方式，可以具体分为第一性原理 TB 模型 以及（半）经验 TB 模型。第一性原理 TB在构建模型过程中需要先进行第一性原理波函数等计算，因此虽然第一性原理 TB 精度高，且得到 TB 之后的计算效率高，但是构造 TB 本身的计算复杂度约束了第一性原理 TB 的应用场景。而（半）经验 TB 模型基于经验参数，不需要额外的计算，直接构造给定体系结构的 TB 模型，所以从构造到计算过程效率很高，但是一套通用且迁移性良好的经验参数的拟合往往非常复杂且耗时。直接使用文献中的参数对于目标体系的迁移性往往不足。因此传统的紧束缚模型方法也存在着精度与效率的困境。

基于上述背景，北京科学智能研究院发展了基于深度学习的电子 TB 模型哈密顿量构造方法 DeePTB，基于神经网络系统地构建具有第一性原理精度的 TB 模型，实现精度与效率的统一。

DeePTB 方法的整体框架图如下。对于给定构型中指定近邻范围内的成键原子对，在经验紧束缚参数的基础上，通过 embedding 网络编码成键原子对的局域化学环境，构造 symmetry-preserving 描述子，并用 fitting 网络预测局域环境依赖的 TB 参数。该方法突破了传统模型的双中心近似，并能基于 PyTorch 机器学习框架，系统地进行高效的参数自动拟合。更详细的方法及公式细节请参考 DeePTB 文章 [1]。

图｜DeePTB 方法整体框架 [1] 

DeePTB 方法通过神经网络修正实现精度与效率的统一；允许用户灵活选择不同 DFT 软件和泛函生成训练标签，支持自旋轨道耦合处理；并基于 Slater-Koster 框架，支持自定义经验 TB 拟合公式；亦可结合分子动力学模拟有限温度下的电子结构和性质。

同时，DeePTB 采用正交基组 TB 形式，因此可以接入大规模 TB 算法，例如我们上一期推送中袁声军教授自主发展的紧束缚传播 (TBPM )方法与 TBPLaS 软件，轻松实现百万千万量级原子的第一性原理精度的电子性质计算。真正实现器件级尺寸的量子力学模拟。

---

DeePTB Notebook

纸上得来终觉浅，绝知此事要躬行。本期 Notebook 将以训练硅的紧束缚模型为例，为大家带来 DeePTB 的快速上手指南。无需配置环境，带大家手把手地掌握 DeePTB 这一强大的大尺度量子体系计算工具。

本期 Notebook 来自北京科学智能研究院顾强强博士与周寅张皓，作为 DeePTB 核心开发者，他们带来了完整的 DeePTB 模型的训练流程，你可以通过本期 Notebook 跑通 DeePTB 的完整训练流程，得到一个完整的硅晶体DeePTB 模型，同时体验 DeePTB 的性质计算模块。得其所哉，并将其应用于你的研究中去。

Notebook 链接：DeePTB 快速上手指南 | 训练 Silicon 的紧束缚模型

目前 DeePTB 代码已在 Deep Modeling 社区中开源：https://github.com/deepmodeling/DeePTB，如果你对 DeePTB 有兴趣，或者是有新的想法，欢迎通过 GitHub 与开发者联系。如果你希望使用 DeePTB 进行科研，欢迎阅读原文加入 DeePTB 用户交流群，交流问题和心得。

---

Reference
[1] Gu, Qiangqiang, et al. "DeePTB: A deep learning-based tight-binding approach with ab initio accuracy." arXiv preprint arXiv:2307.04638, 2023.