← 最新论文
🔬 材料科学

U-HamGNN: a universal model for magnetic Hamiltonians conditioned on spin and Hubbard U

本文介绍了 U-HamGNN,这是一种等变神经网络,它能够以自旋构型和哈伯德 U 参数为条件直接预测自旋分辨的磁性哈密顿量,从而在无需进行单独 DFT+U 计算的情况下,实现了卓越的优化精度,并能重现多种晶体化学体系中的关键磁学性质。

原作者: Hongyu Yu, Yinze Hu, Yizhou Chen, Yang Cheng, Yingwei Chen, Xingao Gong, Yang Zhong, Hongjun Xiang

发布于 2026-11-17
📖 1 分钟阅读☕ 轻松阅读

原作者: Hongyu Yu, Yinze Hu, Yizhou Chen, Yang Cheng, Yingwei Chen, Xingao Gong, Yang Zhong, Hongjun Xiang

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

磁性材料是现代技术的沉默功臣,它们驱动着从存储我们记忆的硬盘到旋转电脑风扇的电机等一切设备。在其行为的核心,存在着晶体中原子排列与电子微小的内禀自旋之间微妙的相互作用。为了理解一种特定的磁性材料将如何表现,科学家必须计算其电子结构,这一过程涉及为每一种可能的自旋排列求解复杂的方程。当研究人员需要考虑电子之间相互排斥的强度时,这种计算变得更加复杂,而这种强度通常由一个被称为哈伯德修正(Hubbard correction)的参数进行调整。传统上,为了探索一种特定的材料,科学家必须为每一种自旋排列和排斥强度的组合运行一次单独且耗时的计算机模拟。这意味着,寻找新磁性材料就像是在试图通过逐一检查每一根稻草来寻找大海捞针,这个过程如此缓慢,以至于往往在发现开始之前就已停滞。

复旦大学和香港理工大学的研究团队现在推出了一种改变这一格局的新工具。他们开发了一种名为 U-HamGNN 的通用人工智能模型,旨在瞬间预测磁性晶体的电子行为,而无需为每个新场景运行缓慢的传统模拟。该模型并非一次只学习一种材料,而是接受了包含 71 种不同化学元素的 35,000 多种不同晶体结构的庞大库进行训练。至关重要的是,它学会了接受两个特定的输入:电子自旋的方向和电子排斥的强度。通过将这两项信息输入网络,该模型可以立即输出任何自旋和排斥强度组合下的详细电子能级图,即哈密顿量(Hamiltonian)。

研究人员将该模型与被称为“密度泛函理论加 U”(density functional theory plus U)的物理模拟金标准进行了对比,后者具有极高的准确性但计算成本昂贵。他们发现,该 AI 模型能够以卓越的精度重现这些高强度模拟的结果。当他们要求模型预测一种名为碲化锰的材料在排斥强度增加时能量隙的变化情况时,模型的预测结果与传统计算几乎完美契合,捕捉到了能隙的开启和电子自旋通道的分裂。当被要求预测一个排斥强度高于其训练期间所见过的任何强度的晶体的性质时,该模型依然表现出色,这表明它学习的是底层的物理规则,而非仅仅是记忆特定的案例。

除了预测能级之外,该模型还证明了其引导寻找新型磁体进行的能力。研究人员利用它筛选了一个包含数千个预测晶体结构的数据库,以寻找一种最近发现的材料类别——交错磁体(altermagnets)的候选材料。这些是特殊的磁性材料,结合了传统磁体的特性与对下一代电子设备有用的独特电子行为。该模型确定了一份最有潜力的候选材料名单,随后通过传统的、缓慢的模拟进行了检查。结果令人瞩目:AI 成功地优先筛选出了正确的材料,并且传统模拟证实其中五个顶尖候选材料确实是具有所需特性的交错磁体。在一种特定情况下,模型预测了银-��en化合物在广泛条件下的电子行为,传统模拟证实了模型的预测是正确的,包括电子自旋分裂的具体方式。

这种新方法带来的速度提升相比现有方法实现了巨大的飞跃。虽然对于一个中等规模的晶体,单次传统的模拟可能需要在强大的计算机上运行数分钟,但经过训练的 AI 模型可以在不到一秒钟的时间内完成同样的预测。这种效率并非通过偷工减料实现的;该模型是使用一种尊重物理世界对称性的专门数学架构构建的,确保了无论晶体如何旋转,其预测都保持一致。为了达到这种准确度,研究人员还开发了一种新的训练模型的方法,即一种专门的优化器,它通过平滑掉在教授此类复杂系统时经常出现的噪声和不稳定步骤,帮助计算机更有效地学习。这使得模型能够收敛到一个比标准训练方法产生的解显著更精确的解。

这项工作的意义不仅在于节省时间。通过提供一个能够处理任何磁性配置和广泛电子排斥强度的可靠、通用的工具,该模型为开展周期表的高速调查打开了大门。研究人员现在可以筛选数千种潜在材料,以寻找那些具有最有趣磁特性的材料,从而将缓慢的传统模拟仅保留给最有希望的候选者。这使工作流程从缓慢的穷举搜索转变为有针对性的狩猎,其中 AI 起到了高效过滤器的作用。该模型已经展示了其识别复杂磁态的能力,而这些磁态在以前难以发现,这证实了它已经学习了材料的结构、磁态与其电子行为之间的基本关系。随着对更好磁性材料搜索的加速,这一通用模型正成为探索量子世界的一件强大且全新的仪器。

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 →