清华大学PRL：密度泛函理论哈密顿量的实空间深度学习

背景：传统深度学习哈密顿量方法（DeepH）以原子轨道基组表象下的哈密顿矩阵为学习目标，存在基组依赖性和旋转协变性复杂的问题，限制了模型的精度和泛化能力。研究目的：清华大学物理系徐勇、段文晖团队提出DeepH-R新方法，将学习目标转变为旋转不变且不依赖原子轨道基组的实空间Kohn-Sham势，从而简化学习过程，提升电子结构预测精度和跨材料泛化能力。结论：DeepH-R方法更自然地融入了对称性、局域性等物理先验，显著提高了学习效率与精度；团队还将其拓展至密度泛函微扰理论计算，简化了流程；利用大规模材料数据集训练出亚毫电子伏特精度的电子结构基础模型，系统验证了跨材料泛化能力。该成果为构建高精度电子结构基础模型提供了新路线，有望推动人工智能与电子结构计算融合及新材料发现。