第一性原理哈密顿量预测

背景

第一性原理计算是材料科学和凝聚态物理研究的重要工具，传统方法依赖密度泛函理论（DFT）求解薛定谔方程，计算复杂度高，难以处理大规模体系。哈密顿量作为描述电子相互作用的核心算符，其准确预测对理解材料电子性质至关重要。

方法

本任务采用机器学习方法建立从原子结构到哈密顿量矩阵的端到端映射模型。输入为材料的原子坐标和元素类型，输出为对应的Kohn-Sham哈密顿量矩阵。模型结合图神经网络（GNN）捕捉原子间的几何关系，通过注意力机制学习不同原子轨道的耦合特征，实现哈密顿量的高效预测。

应用

该技术可应用于新材料的快速筛选、量子材料设计、半导体器件优化等领域。通过降低计算成本，加速发现具有特殊光电性质的功能材料，为能源材料、催化剂设计等提供理论支撑。