近日，清華大(dà)學物理(lǐ)系徐勇、段文(wén)晖研究組提出一種第一性原理(lǐ)人工(gōng)智能(néng)的計(jì)算(suàn)框架，利用(yòng)神經網絡進行密度泛函微擾理(lǐ)論（DFPT）計(jì)算(suàn)，這(zhè)一突破性的方法極大(dà)地提高(gāo)了(le)材料的微擾響應性質研究的計(jì)算(suàn)效率。研究成果以“Deep-Learning Density Functional Perturbation Theory”爲題發表在《Physical Review Letters》，并被選爲編輯推薦文(wén)章。論文(wén)中對(duì)合肥先進計(jì)算(suàn)中心做了(le)緻謝(xiè)。

利用(yòng)第一性原理(lǐ)方法計(jì)算(suàn)預測材料的微擾響應性質，對(duì)于指導實驗和(hé)實際應用(yòng)具有重大(dà)意義。傳統上(shàng)使用(yòng)DFPT方法研究響應性質，可用(yòng)于描述BCS超導、鐵(tiě)電性、輸運性質等物理(lǐ)現(xiàn)象。然而，這(zhè)種方法由于其較高(gāo)的計(jì)算(suàn)成本，可處理(lǐ)的材料體系範圍受到(dào)極大(dà)限制。近期發展的一系列深度學習第一性原理(lǐ)計(jì)算(suàn)方法，能(néng)夠加速密度泛函理(lǐ)論（DFT）計(jì)算(suàn)，高(gāo)效準确地預測大(dà)尺度材料基态性質。将深度學習方法由DFT拓展至DFPT，從(cóng)而極大(dà)加速微擾響應性質計(jì)算(suàn)并應用(yòng)于大(dà)尺度材料研究，是重要且亟待解決的問題。

圖1.DeepH系列方法發展

在先前的工(gōng)作(zuò)中，徐勇、段文(wén)晖研究組發展了(le)一種名爲DeepH（Deep-learning DFT Hamiltonian）的深度學習第一性原理(lǐ)計(jì)算(suàn)方法，可從(cóng)DFT數據中學習，并預測給定材料結構的哈密頓量，從(cóng)而高(gāo)效計(jì)算(suàn)基态物理(lǐ)性質。随後，他(tā)們将這(zhè)一方法推廣至基于等變神經網絡的普适框架DeepH-E3，以及用(yòng)于研究磁性超結構的xDeepH。在這(zhè)項最新進展中，徐勇、段文(wén)晖研究組将DeepH方法進一步擴展應用(yòng)到(dào)DFPT計(jì)算(suàn)上(shàng)，通過神經網絡學習DFPT的核心物理(lǐ)量，即單位擾動下(xià)Kohn-Sham勢的變化，從(cóng)而實現(xiàn)繞過最爲耗時(shí)的Sternheimer方程自(zì)洽求解過程，直接獲得材料的微擾響應性質。

圖2.深度學習密度泛函微擾理(lǐ)論（DFPT）計(jì)算(suàn)框架的示意圖

這(zhè)項工(gōng)作(zuò)通過結合神經網絡與自(zì)動微分技術，能(néng)夠準确預測物理(lǐ)量的導數，同時(shí)僅需使用(yòng)DFT數據訓練神經網絡，大(dà)大(dà)簡化了(le)訓練計(jì)算(suàn)。應用(yòng)此方法于電聲耦合性質的研究，包括準确預測了(le)聲子線寬、Eliashberg 譜函數、電聲耦合強度以及BCS超導轉變溫度，成功證明(míng)了(le)方法的高(gāo)效率和(hé)良好(hǎo)的準确性，可研究傳統DFPT難以處理(lǐ)的大(dà)尺度材料體系。這(zhè)項研究将深度學習DFT和(hé)DFPT整合在了(le)一個統一框架中，爲微擾響應性質的高(gāo)效精确研究開(kāi)辟了(le)新的道(dào)路，同時(shí)也(yě)爲第一性原理(lǐ)計(jì)算(suàn)與深度學習的交叉領域探索了(le)新的可能(néng)性。

清華大(dà)學物理(lǐ)系徐勇教授和(hé)段文(wén)晖教授爲該論文(wén)的通訊作(zuò)者，研究組博士生李賀、唐澤宸爲共同第一作(zuò)者。合作(zuò)者還包括研究組博士生傅靖恒、博士後董文(wén)翰、博士生鄒念龍、北京大(dà)學本科生貢曉荀。該工(gōng)作(zuò)得到(dào)了(le)基礎科學研究中心、國家自(zì)然科學基金(jīn)委、國家科技部重點研發計(jì)劃、合肥先進計(jì)算(suàn)中心等項目單位的支持。

相關工(gōng)作(zuò)發表在

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.096401