Learning the self-energy through equivariant neural networks
本文介绍了一种 E(3)-等变神经网络，该网络能够根据原子坐标准确预测分子的虚频 G₀W₀ 自能，从而在无需进行昂贵的第一性原理计算的情况下，实现对实频谱函数和准粒子能量的高效重构。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
为了理解物质世界，科学家们经常观察电子在其中的行为方式。这些微小的粒子并非孤立运动；它们不断相互作用，创造出一张复杂的力之网，决定了材料是导电、发光，还是保持绝缘状态。几十年来，预测这些行为的标准方法是求解一组描述电子平均状态的方程。虽然这种方法对许多事物都有效，但它往往无法准确预测先进电子设备所需的精确能级，也无法解释当材料吸收光线时出现的瞬时、短寿命状态。为了获得这些细节，科学家必须考虑电子之间动态变化的相互作用，这项任务需要计算一个被称为“自能”（self-energy）的量。这种计算极其困难且昂贵，即使是对单个分子，通常也需要超级计算机运行数天或数周的时间，这使得大规模材料发现难以实现。
研究人员现在找到了一种绕过这一计算瓶颈的方法，即通过教计算机直接预测这些复杂的相互作用。他们不再是在研究每个新分子时都运行沉重的传统计算，而是训练了一个人工智能模型，让它从头开始学习电子行为的模式。该模型建立在物理对称性的基础之上，可以通过观察分子的原子排列，瞬间预测出自能，并保持高精度。研究人员在水簇和一组多样化的有机分子上测试了这种方法，发现人工智能的预测足够精确，能够重建完整的电子光谱，包括决定材料如何与光发生反应的能级。这意味着，一旦模型训练完成，科学家就可以在极短的时间内探索新材料及其电子特性，为未来技术的材料快速筛选打开了大门。
研究人员应对的核心挑战在于自能本身的性质。用物理学的语言来说，这个量是一个复杂的、变化的映射，描述了电子在材料中移动并与邻居相互作用时其能量如何变化。它不是一个单一的数字，而是一个取决于频率（即电子状态振荡的速度）的庞大矩阵值。从第一性原理出发进行计算，涉及追踪电子在虚频网格中移动的历史过程，这一过程在数学上是严谨的，但在计算上是极其残酷的。传统方法需要构建一个巨大的非局部对象，然后执行一项困难的数学运算，将这些虚数结果转化为真实的、可观测的能量。这个转换步骤是不稳定的；初始计算中的微小误差可能会在实轴上放大为荒谬的、不符合物理规律的结果，使得整个过程既脆弱又缓慢。
为了解决这个问题，该团队开发了一种专门的神经网络，这是一种旨在尊重物理世界基本对称性的人工智能类型。正如雪花在旋转后看起来依然一样，控制电子的物理定律也不会因为你转动分子而改变。研究人员在构建网络时，将这种旋转对称性硬编码到了其结构中。这确保了人工智能不仅仅是在记忆特定的例子，而是在学习电子在任何取向下的行为底层规则。他们将来自水分子高精度计算的数据以及由150种多样化有机分子组成的QM9数据集喂给网络。目标是让人工智能学习自能中的“动力学相关性”（dynamical correlation）部分，即代表电子之间复杂的、随时间变化的相互作用，同时使用一种标准的、更快速的方法来处理静态的、不变的部分。
研究人员测试了两种不同的训练网络处理频率依赖性的方法。在第一种方法中，网络被训练用于预测32个特定频率点处的自能，每个点都有一个独立的输出。在第二种更先进的方法中，频率本身被作为输入提供给网络，使其能够学习一个平滑的、连续的函数，并可以随时进行查询。结果显示，连续处理的方法更为优越。在进行计算的虚频轴上，模型预测的矩阵元平均误差小于一千分之一电子伏特。这种精度的水平至关重要，因为这意味着误差足够小，能够经受住向实频转换时的困难数学变换。
当研究人员将这种转换应用于人工智能的预测时，结果令人震惊。对于水分子（从单个单元到四个分子的簇），重建的能量光谱与高成本的传统计算几乎完美匹配。光谱中的峰值（对应于电子可以存在的能级）出现在完全相同的位置，并具有正确的强度。即使对于一个在训练期间从未见过的四水分子簇，该模型也成功实现了泛化，仅伴随轻微的误差增加。这证明了该模型学习的是系统的物理规律，而非仅仅是记忆训练数据。同样的成功也扩展到了QM9数据集中的复杂有机分子，人工智能准确地预测了对于设计光电器件至关重要的能隙和光谱形状。
这项研究证实，学习虚频轴上的自能是获得实频光谱的一条切实可行且可靠的路径。通过用训练好的神经网络取代传统工作流中最昂贵的步骤，研究人员表明，无需为每个新几何结构进行完整的、高成本的计算，即可获得高保真度的电子特性。该模型充当了重型计算任务的“掉入式替代品”（drop-in replacement），仅需初始原子结构和一个标准的密度泛函理论参考，即可产生精度在几十毫电子伏特以内的结果。这一成就表明，高通量筛选先进电子材料的时代比以往任何时候都更近了，因为通过一种尊重量子世界深层对称性的方法，计算成本的障碍已被降低。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。