
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于多体消息传递的等变电子哈密顿量预测
《npj Computational Materials》:Equivariant electronic Hamiltonian prediction with many-body message passing
【字体: 大 中 小 】 时间:2026年03月13日 来源:npj Computational Materials 13.1
编辑推荐:
摘要基于科恩-沙姆密度泛函理论哈密顿量的机器学习替代模型,为加速预测材料的电子性质提供了有力工具,这些性质包括电子能带结构和态密度等。在大型应用中,理想的模型应具备较高的泛化能力和计算效率。在此,我们介绍了MACE-H图神经网络,该网络结合了高体阶消息传递与节点阶展开方法,从而高
基于科恩-沙姆密度泛函理论哈密顿量的机器学习替代模型,为加速预测材料的电子性质提供了有力工具,这些性质包括电子能带结构和态密度等。在大型应用中,理想的模型应具备较高的泛化能力和计算效率。在此,我们介绍了MACE-H图神经网络,该网络结合了高体阶消息传递与节点阶展开方法,从而高效地获得所有相关的O(3)不可约表示。该模型不仅具有高精度和良好的计算效率,还能捕捉目前最多f轨道矩阵相互作用块的全部局部化学环境特征。我们在多个二维材料的公开基准数据集以及一个新的块金数据集上验证了该模型的准确性和迁移能力,其在矩阵元素上的预测误差低于几毫电子伏特,且在所有系统中的本征值预测均具有很高精度。此外,我们还分析了高体阶消息传递与局部性之间的相互作用,这使得该模型成为高通量材料筛选的理想选择。