arXiv cs.AI· Mingkang Liu, Zhanghao Zhouyin, Guanghui Wang, Daye Zheng, Lei Shen, Qiangqiang Gu·· 12 小时前AI 评分38
UniTB：以物理结构为组织原则的通用哈密顿量学习框架
Physical structure as an organizing principle for universal Hamiltonian learning
AI 导读
UniTB 是一个通用 E(3) 等变哈密顿量表示框架，将密度泛函紧束缚理论的物理先验与深度学习结合，在覆盖 68 种元素的非磁性测试晶体上实现 0.48 meV 的矩阵元误差。其 UniTB-Flash 变体以 O(N) 成本从双中心表构建先验，无需非晶训练数据即可与 DFT 的光学和电导结果一致，两模型共筛选 16,195 种晶体用于五个工业应用领域。
正文 · AI 翻译
摘要：密度泛函理论（DFT）能够给出材料的电子结构，但其成本限制了大超胞计算与材料筛选。机器学习哈密顿量绕过了自洽循环，但通常只针对特定体系；通用模型则有望覆盖新组分与无序固体。此类模型必须跨化学体系泛化，并保持下游性质的物理合理性，同时在大晶胞上保持低成本。在此我们提出 UniTB，一个通用的 E(3) 等变哈密顿量表示框架，它将根植于密度泛函紧束缚理论的物理先验与深度学习相结合。UniTB 的网络对先验哈密顿量进行修正，通过由该先验路由的专家混合模型以及类似自洽电荷紧束缚中的电荷均衡头，实现跨化学体系的泛化。一个投影操作限制了相对先验的能带偏移，抑制虚假态并保持下游性质的物理合理性。我们为网络提供了最快的 SO(2) 张量积 GPU 内核。变体 UniTB-Flash 以 $O(N)$ 成本（$N$ 为原子数）从双中心表组装其先验，而网格方法为 $O(N\log N)$。在 29,242 个晶体上训练后，UniTB 在涵盖 68 种元素的非磁性测试晶体上达到 0.48 meV 的矩阵元误差。在无定形训练数据的情况下，两个模型均与无定形 Ge-Sb-Te 的 DFT 光学与电导结果一致。UniTB-Flash 对候选进行排序，与 UniTB 无显著差异，而 UniTB 的性质数值更准确；二者共同为五个具有工业相关性的应用领域筛选了 16,195 个晶体。
| 评论： | 26 页，8 幅图，1 张表；包含补充信息（51 页） |
| 主题： | 材料科学（cond-mat.mtrl-sci）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36135 [cond-mat.mtrl-sci] |
| （或 arXiv:2610.36135v1 [cond-mat.mtrl-sci] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36135 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mingkang Liu [查看邮箱]
[v1]
2026 年 10 月 26 日星期一 18:45:19 UTC（4,946 KB）
来源：arXiv cs.AI · arxiv.org