企业官网建设流程全解析

让混合泛函跑得动：DeepH-hybrid 如何把大尺度材料计算交给等变神经网络

材料计算最难的不是“算不准”，而是“算不起”

我一直觉得，电子结构计算里最现实的矛盾不是精度和速度二选一，而是高精度方法往往在体系变大后变得难以承受。密度泛函理论（DFT）已经是材料模拟的主力工具，但常见的 LDA、GGA 或 PBE 泛函会低估带隙，遇到光电材料、拓扑材料和自旋电子学问题时，结论可能因此偏离。

混合泛函提供了更可靠的路线：把一部分半局域交换替换成 Hartree-Fock 精确交换，能够明显改善带隙描述。代价也非常直接：精确交换引入四中心库仑积分和更昂贵的自洽场迭代，计算成本随着体系增大迅速上升。面对包含上万原子的莫尔超晶格，传统高精度计算常常还没开始就已经超出预算。

我在阅读 DeepH-hybrid 的思路时，最受启发的是它没有让神经网络直接预测最终能带，而是让网络学习一个更基础、也更可复用的中间对象：混合泛函的广义 Kohn-Sham Hamiltonian。只要 Hamiltonian 足够准确，能带、带隙、电极化率等物理量就可以在后处理阶段得到。

1. 先把问题说清楚：网络究竟学什么

传统计算可以概括为：给定原子结构 `{R}`，通过自洽场迭代求出电子密度，再构造 Hamiltonian，最后对 Hamiltonian 对角化得到能带和其他性质。

DeepH-hybrid 把其中最昂贵、