(纯计算)慕尼黑工业大学Nat. Commun.: 面向大规模光电性质预测的物理信息哈密顿量学习

背景：在真实条件下预测大规模原子体系的光电性质对于理性材料设计至关重要，但传统的第一性原理模拟计算成本高昂，而现有神经网络模型通常需要大量数据且缺乏物理可解释性。研究目的：为了克服这些挑战，慕尼黑工业大学的研究团队提出了一种名为HAMSTER的物理信息机器学习框架，旨在通过结合物理近似模型与少量第一性原理计算，高效、准确地预测复杂化学体系的量子力学哈密顿量，进而实现光电性质的预测。结论：该研究在卤化物钙钛矿上验证了该框架的有效性，表明其能够准确预测跨温度和成分变化的光电性质，并可扩展至数万原子的大规模体系，为大型复杂体系中实现准确且可解释的光电性质预测提供了有力工具。