近期，恒行2平台物理學系研究人員發展了基於機器學習的電子結構計算和電子-聲子耦合（EPC）強度計算方法，有望給計算物質科學和材料設計領域註入新的活力。在電子結構計算方面，向紅軍與龔新高團隊基於團隊先前開發的HamGNN模型🍊，進一步研發了一種名為“Universal Machine Learning Kohn–Sham Hamiltonian”的圖神經網絡模型。
該模型可以繞過傳統電子結構計算中代價昂貴的自洽過程👱♀️，實現任意組分任意晶體結構電子哈密頓量矩陣的快速構建，其精度通過預訓練和微調兩階段訓練流程可以達到第一性原理精度，因而能夠準確、快速預測多種體系的電子結構，包括復雜的多元素系統👱🏽♂️、固態電解質、莫爾扭曲雙層異質結構等⛴💃🏼。利用該模型🤹，他們對GNoME數據集中40多萬種晶體的電子結構進行了高通量計算，識別出了大量具有特定帶隙特征的體系。這一通用哈密頓模型不僅為電子結構性質的高效可靠計算提供了新的框架😰🏌🏻♂️，而且為在整個元素周期表範圍內開展高效材料設計奠定了基礎。
