← 最新论文
🔬 材料科学

Learning Electronic Band Structures Across the s, p, d Blocks with an Empirical Pseudopotential Network

本文介绍了 EpNet,这是一种等变神经网络,它通过学习经验伪势来直接预测跨越 s、p 和 d 区晶体的完整电子能带结构,且其精度极高,而计算成本仅为传统密度泛函理论的一小部分。

原作者: Qiang Zhu

发布于 2026-11-10
📖 1 分钟阅读☕ 轻松阅读

原作者: Qiang Zhu

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

在每一个固体晶体内部,从计算机芯片中的硅到电线中的铜,电子都以一种特定的、结构化的方式运动,这种方式决定了材料如何导电或吸收光线。这种行为由科学家称为“电子能带结构”的东西来描述,即电子可以占据的能量水平图谱。几十年来,计算这种图谱的标准方法是一种被称为密度泛函理论的方法。虽然这种方法很精确,但它也极其缓慢且计算成本高昂,即使是为一个材料求解复杂的方程,通常也需要超级计算机。随着研究人员试图设计用于更好电池、更快电子设备或更高效太阳能电池的新型材料,他们面临着一个瓶颈:由于计算耗时过长,他们无法测试数百万种潜在的化学组合。

为了提高速度,科学家们转向了机器学习,训练计算机来预测材料属性。然而,大多数现有的模型就像“黑箱”一样,仅猜测一个单一的数值(例如带隙的大小),而不理解底层的物理学。另一些模型试图重建电子系统的完整数学机制,但往往仍然受限于它们原本旨在取代的缓慢的传统计算方法。目前需要一种既快速又具有物理完整性的工具,能够直接从原子的位置预测整个晶体的能量图谱,而无需进行传统的重度计算。

由北卡罗来纳大学夏洛特分校的 Qiang Zhu 开发的一种名为 EpNet 的解决方案应运而生。这是一种学习经验伪势网络(learned empirical pseudopotential network),一种旨在模仿电子物理特性并绕过传统计算缓慢步骤的人工智能。EpNet 不仅仅是猜测一个数字,而是构建一个完整的晶体电子能量图谱。它的工作原理是根据每个原子在结构中的化学身份及其周围环境,为其分配一套局部规则。这些规则包括一个平滑的局部势场,描述原子如何与附近的电子相互作用,以及处理过渡金属中更复杂、结合更紧密的电子的特殊非局部通道。通过结合这些基于物理的组件,该网络构建了一个可以快速求解的晶体数学表示,从而在不到一秒的时间内揭示完整的能带结构。

EpNet 在包含 63 种不同元素、超过 12,000 个晶体结构的庞大数据集上进行了训练,涵盖了从简单气体到复杂金属的整个周期表。至关重要的是,该模型仅在电子的最终能量值上进行学习,而不是在计算的中间步骤上。这使得网络能够学习原子如何排列以创造特定电子行为的底层模式。在针对从未见过的化学系统进行测试时,该模型表现出了惊人的准确性。它预测的电子能级中值误差仅为 0.061 电子伏特,带隙大小的误差为 0.102 电子伏特。这些误差足够小,足以用于现实世界的材料设计,并且该模型在包括常令简单模型感到困惑的过渡金属在内的不同类型元素中,都表现出了持续良好的性能。

EpNet 的真正威力在于其速度。传统方法可能需要几分钟或几小时来计算单个材料的电子结构,而 EpNet 在标准的图形处理器上不到一秒即可完成同样的工作。在涉及来自独立数据库的 60 多万个未见晶体结构的巨大测试中,该模型在保持高准确度的同时,将计算成本比标准方法降低了两个到三个数量级。它在近 99% 的情况下都能正确识别材料是金属还是绝缘体,表现优于那些经常误判材料的快速机器学习模型。与那些难以处理复杂金属或需要特定软件设置的以往方法不同,EpNet 直接从原子坐标出发进行工作,使其成为筛选海量材料库的通用工具。

这项工作代表了材料科学领域迈出的重要一步,提供了一种以前所未有的速度和广度探索物理世界电子属性的方法。通过直接从数据中学习电子行为规则,同时尊重原子的基本物理特性,EpNet 弥合了缓慢、精确的计算与快速、近似的猜测之间的鸿沟。它使研究人员能够在以前不可能的时间范围内,筛选数百万种用于电子应用的潜在材料,从而加速能源和计算领域新技术的发现。该模型现已开放使用,为观察塑造我们世界的材料之电子核心提供了一个快速且可靠的窗口。

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。

试用 Digest →