高级搜索

深度学习与第一性原理计算

,  , 

downloadPDF

上一篇

下一篇

李贺, 段文晖, 徐勇. 2024: 深度学习与第一性原理计算, 物理, 53(7): 442-449. doi: 10.7693/wl20240702
引用本文: 李贺, 段文晖, 徐勇. 2024: 深度学习与第一性原理计算, 物理, 53(7): 442-449. doi: 10.7693/wl20240702
shu
LI He, DUAN Wen-Hui, XU Yong. 2024: Deep learning and first-principles calculations, Physics, 53(7): 442-449. doi: 10.7693/wl20240702
Citation: LI He, DUAN Wen-Hui, XU Yong. 2024: Deep learning and first-principles calculations, Physics, 53(7): 442-449. doi: 10.7693/wl20240702
shu

深度学习与第一性原理计算

  • 清华大学物理系 北京 100084

    • 通讯作者: 徐勇, email:yongxu@mail.tsinghua.edu.cn
  • 基金项目:

    国家自然科学基金基础科学中心项目(批准号：52388201)，国家自然科学基金(批准号：12334003)、国家杰出青年科学基金(批准号：12025405)、国家科技部重点研发计划(批准号：2023YFA1406400)资助项目

Deep learning and first-principles calculations

  • 摘要:

    第一性原理计算基于量子力学基本原理，通过求解复杂的多电子相互作用问题实现高精度材料计算预测，已成为现代物理学、化学、材料科学等诸多领域中不可或缺的研究手段。然而，高昂的计算成本限制了第一性原理计算的广泛应用，使得大尺度材料模拟和材料大数据构建等重要领域的发展面临重大挑战。近年来，AlphaGo、AlphaFold、ChatGPT等突破性工作的涌现宣示了人工智能新时代的来临，第一性原理计算领域也迎来了变革性转变的历史机遇。深度学习为第一性原理计算提供了新的研究范式，通过精确建模和高效预测，有望突破传统方法的瓶颈问题。文章介绍了一类基于深度学习的第一性原理计算方法，利用神经网络对密度泛函理论中的核心物理量——密度泛函理论哈密顿量进行建模，并设计出满足局域性原理、协变性原理等关键物理先验的先进神经网络架构，实现了高效精确的深度学习电子结构计算。该方法已成功应用于转角范德瓦耳斯材料等体系的大尺度材料模拟、基于材料大数据的通用材料模型构建等极具挑战性的任务中，为发展材料大模型、推动人工智能驱动的材料发现提供了新的机遇。

    Abstract:

    First-principles methods have become indispensable research tools in modern physics, chemistry, materials science and other fields. Based on the fundamental principles of quantum mechanics, first-principles calculations can achieve highly accurate material property predictions by solving the complicated problem of interacting electrons. However, their widespread applications are limited by the high computational cost, posing significant challenges for large-scale materials simulations and the construction of materials big data. In recent years, the emergence of groundbreaking works, such as AlphaGo, AlphaFold, and ChatGPT, heralds the advent of a new era of artificial intelligence (AI), bringing transformative opportunities to first-principles calculations. Deep learning provides a novel research paradigm for the field, enabling us to overcome the bottlenecks of traditional methods through precise modeling and efficient prediction. In this article, we introduce a series of deep-learning based first-principles computation methods. By leveraging the deep-learning modeling of a fundamental quantity in density functional theory (DFT), the DFT Hamiltonian, we propose a neural network framework designed to satisfy the key prior knowledge of the Hamiltonian, including the principles of nearsightedness and equivariance. This method has been successfully applied to large-scale simulations of twisted van der Waals materials, as well as the construction of universal models based on materials big data. These advancements offer new opportunities for developing large materials models and advancing AI-driven materials discovery.

  • 加载中
  • Martin R M. Electronic Structure：Basic Theory and Practical Methods. Cambridge University Press，2020
    Jones R O. Rev. Mod. Phys.，2015，87：897
    Hohenberg P，Kohn W. Phys. Rev. B，1964，136：B864
    Kohn W，Sham L J. Phys. Rev.，1965，140：A1133
    Jain A，Ong S P，Hautier G et al. APL Mater.，2013，1：011002
    Elstner M，Porezag D，Jungnickel G et al. Phys. Rev. B，1998，58： 7260
    Goedecker S. Rev. Mod. Phys.，1999，71：1085
    Butler K T，Davies D W，Cartwright H et al. Nature，2018，559：547
    Carleo G，Cirac I，Cranmer K et al. Rev. Mod. Phys.，2019，91： 045002
    Schmidt J，Marques M R G，Botti S et al. npj Comput. Mater.， 2019，5：83
    Huang B，von Rudorff G F，von Lilienfeld O A. Science，2023， 381：170
    Li H，Xu Y，Duan W. MGE Adv.，2023，1：e16
    LeCun Y，Bengio Y，Hinton G. Nature，2015，521：436
    Rumelhart D E，Hinton G E，Williams R J. Nature，1986，323：533
    Bronstein M M，Bruna J，LeCun Y et al. IEEE Signal Process. Mag.，2017，34：18
    Gilmer J，Schoenholz S S，Riley P F et al. Neural Message Passing for Quantum Chemistry. In：Proceedings of the 34th International Conference on Machine Learning. Proceedings of Machine Learning Research：PMLR，2017. pp.1263—1272
    Vaswani A，Shazeer N，Parmar N et al. Attention is All You Need. In：Advances in Neural Information Processing Systems， 2017，30：6000
    Unke O T，Chmiela S，Sauceda H E et al. Chem. Rev.，2021， 121：10142
    Kohn W. Phys. Rev. Lett.，1996，76：3168
    Prodan E，Kohn W. Proc. Natl. Acad. Sci. USA，2005，102：11635
    Li H，Wang Z，Zou N et al. Nat. Comput. Sci.，2022，2：367
    Thomas N，Smidt T，Kearnes S et al. 2018，arXiv：1802.08219
    Gong X，Li H，Zou N et al. Nat. Commun.，2023，14：2848
    Wang Y，Li H，Tang Z et al. 2024，arXiv：2401.17015
    Passaro S，Zitnick C L. Reducing SO(3) Convolutions to SO(2) for Efficient Equivariant GNNs. In：Proceedings of the 40th International Conference on Machine Learning. Proceedings of Machine Learning Research：PMLR，2023. pp.27420—27438
    Li H，Tang Z，Gong X et al. Nat. Comput. Sci.，2023，3：321
    Yuan Z，Xu Z，Li H et al. Quantum Front.，2024，3：8
    Schütt K T，Gastegger M，Tkatchenko A et al. Nat. Commun.， 2019，10(1)：5024
    Gu Q，Zhang L，Feng J. Sci. Bull.，2022，67(1)：29
    Zhong Y, Yu H, Su M et al. npj Comput. Mater.，2023，9(1)：182
    Yu H，Xu Z，Qian X et al. In：Proceedings of the 40th International Conference on Machine Learning. Proceedings of Machine Learning Research：PMLR，2023. p. 40424
    Tang Z，Li H，Lin P et al. 2023，arXiv：2302.08221
    Li Y，Tang Z，Chen Z et al. 2024，arXiv：2403.11287
    Bao T，Xu R，Li H et al. 2024，arXiv：2404.06449
    Cao Y，Fatemi V，Demir A et al. Nature，2018，556：80
    Cao Y，Fatemi V，Fang S et al. Nature，2018，556：43
    Lucignano P，Alfè D，Cataudella V et al. Phys. Rev. B，2019，99： 195419
    Wang Y，Li Y，Tang Z et al. Sci. Bull.，2024 DOI: 10.1016/j. scib.2024.06.011
  • 加载中
计量
  • 文章访问数:  224
  • HTML全文浏览数:  224
  • PDF下载数:  13
  • 施引文献:  0
出版历程
  • 收稿日期:  2024-06-26

深度学习与第一性原理计算

  • 收稿日期:  2024-06-26
基金项目: 

摘要: 

第一性原理计算基于量子力学基本原理，通过求解复杂的多电子相互作用问题实现高精度材料计算预测，已成为现代物理学、化学、材料科学等诸多领域中不可或缺的研究手段。然而，高昂的计算成本限制了第一性原理计算的广泛应用，使得大尺度材料模拟和材料大数据构建等重要领域的发展面临重大挑战。近年来，AlphaGo、AlphaFold、ChatGPT等突破性工作的涌现宣示了人工智能新时代的来临，第一性原理计算领域也迎来了变革性转变的历史机遇。深度学习为第一性原理计算提供了新的研究范式，通过精确建模和高效预测，有望突破传统方法的瓶颈问题。文章介绍了一类基于深度学习的第一性原理计算方法，利用神经网络对密度泛函理论中的核心物理量——密度泛函理论哈密顿量进行建模，并设计出满足局域性原理、协变性原理等关键物理先验的先进神经网络架构，实现了高效精确的深度学习电子结构计算。该方法已成功应用于转角范德瓦耳斯材料等体系的大尺度材料模拟、基于材料大数据的通用材料模型构建等极具挑战性的任务中，为发展材料大模型、推动人工智能驱动的材料发现提供了新的机遇。

English Abstract

    全文HTML

参考文献 (38)

目录

/

返回文章
返回