研究前沿：龚新高院士领衔！复旦大学，量子材料-图神经网络 | Nature Machine Intelligence

背景：自旋-轨道耦合（SOC）效应是支撑拓扑绝缘体、自旋电子学等量子现象与器件的基石，但其精确计算依赖于高成本的相对论密度泛函理论，限制了新材料的高效发现。研究目的：复旦大学龚新高、向红军团队旨在开发一种普适的机器学习模型，以低成本、高精度预测SOC哈密顿量，加速量子材料的筛选与设计。结论：研究团队提出了名为Uni-HamGNN的普适图神经网络，通过物理启发的分解策略和增量学习，实现了对元素周期表范围内材料SOC哈密顿量的高精度预测。该模型在GNoME数据集的高通量筛选中成功识别出138个拓扑绝缘体，并能精准预测二维材料谷极化和异质结构电子行为，为数据驱动的量子材料发现提供了高效、可迁移的框架。