源码仓库：
https://github.com/bwhou1997/VAE-DFT
训练集(GW)：
https://doi.org/10.18126/rpa1-yp91
研究背景：
在材料物理和凝聚态物理领域，电子结构的精确描述至关重要。密度泛函理论（DFT）是常用的第一性原理方法，主要用于研究材料的基态性质。然而，由于量子多体效应的存在，DFT在激发态预测方面的表现有限。现有的GW理论尽管能够改善激发态的预测精度，但计算成本高昂。为解决这些挑战，研究团队采用了变分自编码器（VAE）模型，将高维DFT波函数映射至低维空间，实现了数据的有效压缩和信息保留，为后续的带隙预测提供了可靠的基础。
主要研究结果：
该研究利用变分自编码器（VAE）成功将DFT波函数表示为低维潜在空间，并证明该方法在不同材料的带隙预测上表现出色。研究表明，通过VAE的低维表示，可以高效地捕捉电子结构的关键特征，在后续的神经网络模型中用于带隙预测时，误差仅为0.11 eV。这一结果表明，VAE在物理信息保留上具有显著优势。此外，VAE模型还具有生成性和解释性，能够生成平滑且物理合理的波函数，这为材料设计和探索开辟了新途径。
