电子结构加速与哈密顿量学习

面向高效杂化密度泛函计算的深度等变神经网络方法

杂化泛函能更准确地描述电子结构，但自洽场迭代成本高。本文发展 DeepH-hybrid，用深度等变神经网络学习作为结构函数的杂化泛函哈密顿量，从而绕过耗时的自洽迭代，使大规模体系也能达到杂化泛函精度。方法在可靠性、迁移性和效率方面得到验证，并被用于大超胞莫尔转角材料，首次考察精确交换对魔角转角双层石墨烯平带的影响，把深度学习电子结构方法推广到常规密度泛函之外。