深度学习@徐勇| PRL132.9

文摘科学 2024-10-21 16:06 浙江

点击蓝字关注我们↑↑↑

期刊文章浏览系列之Physical Review Letters，搜集国人重点工作，聚焦PRL选手研究领域，供初入物理科研的老师同学了解前沿动态，找到自己科研的那道光。

栏目介绍

Physical Review Letters Vol. 132, Iss. 9

本期期刊文章浏览系列视频推出的是美国物理学会的著名物理杂志Physical Review Letters第132卷第9期的浏览视频，该期杂志于2024年3月刊发，总共43篇文章。国内的研究机构作为通讯作者单位发表的文章总共7篇，各篇文章的分类信息详见下表。

（如果需要上述全部文章链接，请在公众号里发送PRL132.9给我们）

深度学习-徐勇团队

本期的PRL选手是清华大学的徐勇。他本科和和博士毕业于清华大学，后分别在马普所、斯坦福大学、日本理化学研究所(RIKEN)工作过，2015年回到清华任教，现为清华大学物理系长聘教授、日本理化学研究所兼职研究员、国家杰出青年基金获得者、科睿唯安全球高被引科学家。曾获德国洪堡学者、清华大学学术新人奖，2023-2024年度中国物理学会叶企孙物理奖(凝聚态物理)。主要研究方向为理论和计算凝聚态物理、拓扑量子物态、第一性原理计算和人工智能驱动的科学发现。迄今为止发表了100多篇文章（其中包括5篇PRL），被引1万多次，H-index为49。

徐勇团队PRL历程

徐勇的关键词之一是深度学习。徐勇和清华大学段文晖院士团队提出深度学习第一性原理计算（主要是DFT）的理论框架和算法DeepH，该方法使用神经网络由材料原子结构预测DFT哈密顿量，从而可以预测所有单粒子图像下的物理性质，可极大加速材料的电子结构计算。DeepH的出发点就是让计算机从大量DFT计算结果中学会如何构建一个新体系的哈密顿量，从而加速材料性能的预测效率，构建通用材料大模型。

一个深度学习结果优于纯手工DFT的例子（DOI:10.1126/science.abj6511）

DeepH的发展非常快速，已经经历了好几个阶段，最初由于需要从小体系训练数据中学习并且逐块构建大体系哈密顿量，局域性是非常重要的原则，所以局域性基组成为方法的基本要求；后来又推广到平面波基组，利用平面波DFT程序的计算结果重构原子轨道基组哈密顿量，使得DeepH方法可与所有DFT程序兼容，这给深度学习电子结构计算方法带来了更高的精度和更好的泛化能力，并打通了其利用电子结构大数据作深度学习的通道；后又开发了一种新的普适框架，利用三维欧几里得群（E3群）下协变的神经网络预测微观原子结构对应的DFT哈密顿量，可极大地加速第一性原理电子结构计算，团队将DeepH框架与等变神经网络结合并推出DeepH-E3框架，并被应用于复杂磁性材料的电子结构预测，以及密度泛函微扰论（DFPT）计算中。

团队还创建了一个大型DFT材料数据库，包含超过10000种材料结构的计算数据。基于此材料数据库与改进的DeepH方法（DeepH-2），研究人员成功构建出一个DeepH通用材料模型，可处理多样化元素组成与原子结构的复杂材料体系，并在材料性质预测方面达到了出色的精度。该通用材料模型可准确预测复杂测试材料的多种物性，验证了模型出色的通用性能。

DeepH的发展历程（图片来自网络）

欲穷千里目，更上一层楼。团队基于DeepH方法，发展出一种具备第一性原理智能的深度学习电子结构计算方法DeepH-Zero。该方法首次在算法层面实现了神经网络与密度泛函理论的深度结合，赋予了模型基于物理原理的非监督学习能力。区别于DeepH中神经网络与密度泛函理论（DFT）的算法两者的分离；新的方法实现了两种算法的有机结合，它能在零训练数据的情形下利用基本物理原理实现DeepH优化学习。该方法通过在神经网络中嵌入物理规则，巧妙地将神经网络与变分DFT算法结合，形成了一种名为“神经网络DFT”的无监督学习框架。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架，它能够在不依赖任何训练计算数据的情况下，实现对材料物性的精准预测。

在DeepH-Zero开发过程中，团队利用可微编程技术，从头构建了一整套拥有自主知识产权的新型DFT计算软件包——AI2DFT。通过自动微分和反向传播算法，AI2DFT程序能够高效执行DFT微分计算，实现了DFT程序与神经网络的无缝对接，进而实现基于物理原理的无监督学习。结果表明，通过将DFT基本原理融入神经网络设计，神经网络DFT在预测DFT物理量（如能量、电荷密度等）方面的精度超越了数据驱动方法。这为深度学习与第一性原理计算的协同发展提供了崭新的思路，为实现具备第一性原理智能的深度学习电子结构计算发展开辟了新方向。

点击阅读往期文章

科研星图的定义和制作介绍

Physical Review Letters 第3期 | 期刊文章浏览

Physical Review Letters 第4期 | 期刊文章浏览

Physical Review Letters 第5期 | 期刊文章浏览

Physical Review Letters 第6期 | 期刊文章浏览

Physical Review Letters 第8期 | 期刊文章浏览

量子密钥分发@马雄峰| PRL131.14

全息对偶@Matteo Baggioli| PRL131.22

关于学树地图

学树地图为广大师生、研究人员提供学术领域的GPS，通过科研文献、学者信息、项目信息多维数据沉淀，进行深度挖掘数据关联，分析专业活跃度和需求趋势，呈现学术研究发展的脉络，传递前沿关键资讯。

学树地图

做您学术领域的GPS。挖掘学术数据，提供导航讯息，畅行学树地图！

最新文章

微腔光频梳@董春华| PRL132.16

对称性@吴从军| PRL132.14

宇宙线观测@LHAASO| PRL132.13

玻色液体@顾威| PRL132.12

密度泛函理论第10期 | 热门领域学树系列

拓扑光子晶体@董建文| PRL132.11

费曼积分@马滟青| PRL132.10

深度学习@徐勇| PRL132.9

多铁材料@任伟| PRL132.8

光子晶体@肖孟| PRL132.7

非厄米物理@陈伟| PRL132.6

密度泛函理论第9期 | 热门领域学树系列

自旋@时钟| PRL132.5

量子光源@荆杰泰| PRL132.4

强关联@李自翔| PRL132.3

自旋量子计算@鲁大为| PRL132.2

弗洛凯调控@汤沛哲| PRL132.1

高压计算@董校| PRL131.26

密度泛函理论第8期 | 热门领域学树系列

拓扑计算@姚裕贵| PRL131.25

分类

时事

民生

政务

教育

文化

科技

财富

体娱

健康

情感

旅行

百科

职场

楼市

企业

乐活

学术

汽车

时尚

创业

美食

幽默

美体

文摘

原创标签

时事社会财经军事教育体育科技汽车科学房产搞笑综艺明星音乐动漫游戏时尚健康旅游美食生活摄影宠物职场育儿情感小说曲艺文化历史三农文学娱乐电影视频图片新闻宗教电视剧纪录片广告创意壁纸头像心灵鸡汤星座命理教育培训艺术文化金融财经健康医疗美妆时尚餐饮美食母婴育儿社会新闻工业农业时事政治星座占卜幽默笑话独立短篇连载作品文化历史科技互联网

发布位置

广东北京山东江苏河南浙江山西福建河北上海四川陕西湖南安徽湖北内蒙古江西云南广西甘肃辽宁黑龙江贵州新疆重庆吉林天津海南青海宁夏西藏香港澳门台湾美国加拿大澳大利亚日本新加坡英国西班牙新西兰韩国泰国法国德国意大利缅甸菲律宾马来西亚越南荷兰柬埔寨俄罗斯巴西智利卢森堡芬兰瑞典比利时瑞士土耳其斐济挪威朝鲜尼日利亚阿根廷匈牙利爱尔兰印度老挝葡萄牙乌克兰印度尼西亚哈萨克斯坦塔吉克斯坦希腊南非蒙古奥地利肯尼亚加纳丹麦津巴布韦埃及坦桑尼亚捷克阿联酋安哥拉