Ein Forschungsteam der Tsinghua-Universität hat einen Weg entwickelt, um große Materialmodelle mithilfe der Deep-Learning-Dichte-Funktionaltheorie-Hamiltonian (DeepH) Methode zu erstellen. Diese Methode ermöglicht es, den DFT-Hamiltonian, der als grundlegende Größe in DFT-Berechnungen dient, aus beliebigen Materialstrukturen abzuleiten und verschiedene Materialeigenschaften vorherzusagen. Obwohl DeepH bereits erfolgreich zur Untersuchung spezifischer Materialien eingesetzt wurde, war die Entwicklung eines universellen Materialmodells, das diverse Materialstrukturen behandeln kann, eine große Herausforderung.
Die Forscher haben eine umfangreiche Datenbank von DFT erstellt, die über 10.000 Materialstrukturen umfasst, und basierend darauf sowie mithilfe einer verbesserten DeepH-Methode (DeepH-2) ein universelles Materialmodell entwickelt. Dieses Modell zeigt bemerkenswerte Genauigkeit bei der Vorhersage von Materialeigenschaften und kann verschiedene elementare Zusammensetzungen und Materialstrukturen bearbeiten. Die Robustheit des Modells wurde durch die genaue Vorhersage von Materialeigenschaften komplizierter Testmaterialstrukturen gezeigt. Dieser Fortschritt demonstriert nicht nur das Konzept des universellen Materialmodells von DeepH, sondern legt auch den Grundstein für die Entwicklung großer Materialmodelle und eröffnet bedeutende Chancen für die künstliche Intelligenz-gesteuerte Materialentdeckung.
Die DeepH-Methode nutzt das physikalische Vorwissen, um die Leistung des Modells zu verbessern, und beruht auf dem Prinzip der Äquivalenz sowie dem Prinzip der “quantenmäßigen Kurzsichtigkeit”, das besagt, dass lokale Größen wie der DFT-Hamiltonian durch die benachbarte chemische Umgebung bestimmt werden können. Im Vergleich zu spezifischen Materialmodellen stellt die Entwicklung eines universellen Materialmodells von DeepH eine große Herausforderung in Bezug auf die Verallgemeinerbarkeit und Robustheit der Methode dar. Die Ergebnisse dieser Forschung wurden im Journal Science Bulletin veröffentlicht.
Zusammenfassend wurde ein universelles Materialmodell von DeepH entwickelt, das vielfältige Materialstrukturen behandeln kann und bemerkenswerte Genauigkeit bei der Vorhersage von Materialeigenschaften zeigt. Dieser Fortschritt eröffnet neue Möglichkeiten für die Materialentdeckung mithilfe von künstlicher Intelligenz und legt den Grundstein für die Entwicklung großer Materialmodelle.