Universal Machine Learning Kohn-Sham Hamiltonian for Materials

要約

密度汎関数理論 (DFT) は、電子構造計算における一般的な計算アプローチとして機能しますが、その計算要求とスケーラビリティの制限は依然として残ります。
最近、ニューラル ネットワークを利用してコーン-シャム DFT ハミルトニアンをパラメータ化することが、電子構造計算を高速化するための有望な手段として浮上しています。
進歩にもかかわらず、新しいシステムを探索するために広範な DFT トレーニング データを計算する必要性や、多元素材料の正確な ML モデルを確立する複雑さなどの課題は依然として存在します。
これらのハードルに対処するために、この研究では、材料プロジェクトのほぼすべての結晶構造の第一原理 DFT 計算から得られたハミルトニアン行列でトレーニングされた普遍的な電子ハミルトニアン モデルを導入します。
私たちは、複雑な多元素系を含む周期表全体にわたる電子構造の予測におけるその一般性を実証します。
この普遍的なハミルトニアン モデルは、電子特性を計算するための信頼できる効率的なフレームワークを提供することにより、電子構造に関連するさまざまな分野の進歩の基礎を築きます。

要約(オリジナル)

While density functional theory (DFT) serves as a prevalent computational approach in electronic structure calculations, its computational demands and scalability limitations persist. Recently, leveraging neural networks to parameterize the Kohn-Sham DFT Hamiltonian has emerged as a promising avenue for accelerating electronic structure computations. Despite advancements, challenges such as the necessity for computing extensive DFT training data to explore new systems and the complexity of establishing accurate ML models for multi-elemental materials still exist. Addressing these hurdles, this study introduces a universal electronic Hamiltonian model trained on Hamiltonian matrices obtained from first-principles DFT calculations of nearly all crystal structures on the Materials Project. We demonstrate its generality in predicting electronic structures across the whole periodic table, including complex multi-elemental systems. By offering a reliable efficient framework for computing electronic properties, this universal Hamiltonian model lays the groundwork for advancements in diverse fields related to electronic structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google