亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation

密度泛函理论 从头算 哈密顿量(控制论) 计算机科学 范德瓦尔斯力 维数之咒 人工神经网络 深度学习 统计物理学 人工智能 计算化学 物理 量子力学 数学 数学优化 化学 分子
作者
He Li,Zun Wang,Nianlong Zou,Meng Ye,Runzhang Xu,Xinyi Gong,Wenhui Duan,Yong Xu
出处
期刊:Nature Computational Science [Springer Nature]
卷期号:2 (6): 367-377 被引量:34
标识
DOI:10.1038/s43588-022-00265-6
摘要

The marriage of density functional theory (DFT) and deep-learning methods has the potential to revolutionize modern computational materials science. Here we develop a deep neural network approach to represent the DFT Hamiltonian (DeepH) of crystalline materials, aiming to bypass the computationally demanding self-consistent field iterations of DFT and substantially improve the efficiency of ab initio electronic-structure calculations. A general framework is proposed to deal with the large dimensionality and gauge (or rotation) covariance of the DFT Hamiltonian matrix by virtue of locality, and this is realized by a message-passing neural network for deep learning. High accuracy, high efficiency and good transferability of the DeepH method are generally demonstrated for various kinds of material system and physical property. The method provides a solution to the accuracy–efficiency dilemma of DFT and opens opportunities to explore large-scale material systems, as evidenced by a promising application in the study of twisted van der Waals materials. A deep neural network method is developed to learn the mapping function from atomic structure to density functional theory (DFT) Hamiltonian, which helps address the accuracy–efficiency dilemma of DFT and is useful for studying large-scale materials.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
29秒前
Mangmw完成签到 ,获得积分10
1分钟前
Mangmw发布了新的文献求助10
1分钟前
SciGPT应助謝昂佑采纳,获得10
2分钟前
3分钟前
司空天德发布了新的文献求助10
3分钟前
星城完成签到 ,获得积分10
3分钟前
5分钟前
红豆生南国完成签到,获得积分10
6分钟前
6分钟前
謝昂佑发布了新的文献求助10
6分钟前
謝昂佑完成签到,获得积分10
7分钟前
7分钟前
泼尼松说我很甜完成签到,获得积分10
7分钟前
7分钟前
9分钟前
必发Nature完成签到,获得积分10
9分钟前
10分钟前
Tay完成签到 ,获得积分10
10分钟前
11分钟前
HS发布了新的文献求助10
11分钟前
14分钟前
16分钟前
沉着且呵呵完成签到 ,获得积分10
16分钟前
杨天天完成签到 ,获得积分10
16分钟前
17分钟前
美子发布了新的文献求助10
17分钟前
17分钟前
小丸子完成签到 ,获得积分10
18分钟前
欢呼天奇完成签到 ,获得积分10
20分钟前
20分钟前
21分钟前
21分钟前
普通市民7v7完成签到,获得积分20
22分钟前
科研通AI2S应助科研通管家采纳,获得10
22分钟前
林利芳完成签到 ,获得积分10
22分钟前
白菜完成签到 ,获得积分10
22分钟前
23分钟前
黄花菜完成签到 ,获得积分10
23分钟前
小橙子发布了新的文献求助10
24分钟前
高分求助中
Thermodynamic data for steelmaking 3000
Teaching Social and Emotional Learning in Physical Education 900
藍からはじまる蛍光性トリプタンスリン研究 400
Organization Theory and Project Management: Administering Uncertainty in Norwegian Offshore Oil 400
Cardiology: Board and Certification Review 400
[Lambert-Eaton syndrome without calcium channel autoantibodies] 340
NEW VALUES OF SOLUBILITY PARAMETERS FROM VAPOR PRESSURE DATA 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 有机化学 工程类 生物化学 纳米技术 物理 内科学 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 电极 光电子学 量子力学
热门帖子
关注 科研通微信公众号,转发送积分 2361822
求助须知:如何正确求助?哪些是违规求助? 2069701
关于积分的说明 5169847
捐赠科研通 1797901
什么是DOI,文献DOI怎么找? 897944
版权声明 557689
科研通“疑难数据库(出版商)”最低求助积分说明 479266