.png){kind=icon}
返回
Hot-Ham: an Accurate and Efficient E(3)-Equivariant Machine-Learning Electronic Structures Calculation Framework
.png){kind=icon}
PRE
AI
DOI：10.1088/0256-307X/43/2/020704.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习与从头算方法的结合因其能够解决精度-效率两难问题并促进大规模系统计算而受到广泛关注。最近，显式纳入对称性约束的等变消息传递神经网络（MPNNs）在预测原子间势能和密度泛函理论（DFT）哈密顿量方面显示出潜力。然而，用于表示节点和边信息的高阶张量通过Clebsch–Gordan张量积耦合，导致计算复杂度急剧增加，严重阻碍了等变MPNNs的性能。在此，我们开发了高阶张量机器学习哈密顿量（Hot-Ham），一种E(3)等变MPNN框架，该框架结合了两种先进技术：局部坐标变换和Gaunt张量积，以高效地建模DFT哈密顿量。这两项创新显著将张量积的复杂度从O(L^6)降低至O(L^3)或O(L^2 log2L)（对于最大张量阶数L），并提升了MPNNs的性能。在多个公开数据集上的基准测试证明了其在参数相对较少的情况下达到的顶尖精度，而在多层扭转莫尔系统、异质结构和同素异形体中的应用则展示了其泛化能力和高效率。我们的Hot-Ham方法为开发高效等变神经网络提供了新视角，并将成为研究大规模材料系统电子性质的有前景的方法。
期刊
IF:
4.2
论文数:
9.1K
被引数:
7.7K
机构
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Domino-like stacking order switching in twisted monolayer-multilayer graphene扭曲单层-多层石墨烯中的多米诺骨牌状堆叠顺序切换NATURE MATERIALS
NATURE MATERIALSIF38.5
PREAI
分享收藏分享收藏Deep-learning density functional theory Hamiltonian for efficient ab initio electronic-structure calculation用于有效从头算电子结构计算的深度学习密度泛函理论哈密顿量OAAI
OAAI分享收藏MAGUS: machine learning and graph theory assisted universal structure searcherMAGUS: 机器学习和图论辅助的通用结构搜索器NATIONAL SCIENCE REVIEWOAAI
NATIONAL SCIENCE REVIEWIF17.1
OAAI分享收藏Precise control of the interlayer twist angle in large scale MoS2 homostructures大尺度MoS2同质结构层间扭转角的精确控制NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Commentary: The Materials Project: A materials genome approach to accelerating materials innovation评论: 材料项目: 加速材料创新的材料基因组方法APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏Universal materials model of deep-learning density functional theory Hamiltonian深度学习密度泛函理论哈密顿量的通用材料模型SCIENCE BULLETINOAAI
SCIENCE BULLETINIF21.1
OAAI分享收藏
查看更多内容