研究人员开发了一种基于等变神经网络（ENN）的机器学习模型，能够高效预测材料中的Hubbard参数，显著减少了传统密度泛函微扰理论（DFPT）计算的高计算成本。
https://github.com/camml-lab/hubbardml
研究背景：
密度泛函理论（DFT）是研究过渡金属和稀土化合物的核心工具，但其在处理部分填充的d和f电子时存在自相互作用误差（SIE）。为了克服这一问题，Hubbard修正的DFT（DFT + U + V）被广泛应用。然而，准确确定Hubbard参数（U和V）通常依赖于计算成本高昂的第一性原理计算。传统的半经验方法虽然计算成本较低，但缺乏普适性和准确性。因此，开发一种能够高效预测Hubbard参数的方法具有重要意义。
研究方法：
研究团队提出了一种基于等变神经网络（ENN）的机器学习模型，利用原子占据矩阵作为描述符，直接捕捉材料的电子结构、局部化学环境和氧化态。该模型通过训练来自12种不同晶体结构和成分的材料数据，能够预测自洽的Hubbard参数。模型输入包括原子占据矩阵、Hubbard参数和原子间距离，输出为自洽的Hubbard U和V参数。通过这种方式，模型绕过了传统DFPT计算中的高计算成本，显著加速了Hubbard参数的预测过程。
研究结果：
研究结果显示，该模型在预测Hubbard U和V参数时，平均相对误差分别低于3%和5%。此外，模型展示了良好的可迁移性，能够准确预测未包含在训练集中的材料的Hubbard参数。通过减少自洽计算中的迭代次数，模型能够在仅进行少量DFPT计算的情况下，提供接近自洽精度的Hubbard参数预测。这一成果为高通量材料筛选和大规模系统研究提供了强有力的工具，有望加速新材料的设计与发现。
