[论文解读] DeePAW: A universal machine learning model for orbital-free ab initio calculations

Tianhao Su, Shunbo Hu+6 more|arXiv (Cornell University)|Mar 19, 2026

Machine Learning in Materials Science被引用 0

一句话总结

简要结论：DeePAW 提供了一种通用的 ML 模型用于轨道无关 DFT 计算，覆盖广泛元素、适用于多样结构且在无需额外微调的情况下具有高精度，得益于 SE(3)-等变双按摩传递神经网络。它还预测形成能以实现多尺度材料建模。

ABSTRACT

Developing universal machine learning models for ab initio calculations is the frontier of materials cutting edge research in the new era of artificial intelligence. Here, we present the Deep Augment Way model (DeePAW) that is a universal machine learning (ML) model for orbital-free (OF) ab initio calculations, based on the density functional theory (DFT). DeePAW is currently the best OFDFT ML model according to the three criterions, 1) covering the largest number of elements, 2) having the widest application capability to diverse crystal structures, and 3) achieving the highest prediction accuracy without further fine-tuning. These scientific merits and innovations of DeePAW are stemmed from the novel SE(3)-equivariant double massage passing neuron networks. Besides predicting electron density distributions, DeePAW predicts formation energies of crystals as well and therefore paves an efficient avenue for multiscale materials modeling beyond conventional electronic structure calculation methods.

研究动机与目标

• 在 DFT 框架内推进轨道无关从头计算的通用机器学习模型。
• 扩大 OFDFT 模型的元素覆盖范围和结构多样性。
• 在无需额外微调的情况下实现高预测精度。
• 实现晶体形成能的预测，以支持多尺度材料建模。

提出的方法

• 提出 Deep Augment Way (DeePAW) 作为轨道无关 DFT 的通用 ML 框架。
• 利用 SE(3)-等变双按摩传递神经网络处理对称性感知学习。
• 预测电子密度分布和晶体形成能。
• 展示广泛的元素覆盖和对多样晶体结构的适用性。
• 目标在不需要特定任务微调的情况下实现高精度。

实验结果

研究问题

• RQ1 单一 ML 模型是否可以在无需微调的情况下，跨越多元素和多晶体结构，准确执行轨道无关从头计算？
• RQ2 DeePAW 在 OFDFT 中对电子密度分布和晶体形成能的预测有多好？
• RQ3 SE(3)-等变网络在材料科学的轨道无关学习中提供了哪些优势？
• RQ4 该模型在多大程度上能够支持超越传统电子结构方法的多尺度材料建模？

主要发现

• 与现有 OFDFT ML 模型相比，DeePAW 实现了更广的元素覆盖。
• 该模型对多样晶体结构具有广泛适用性。
• 在不需要额外微调的情况下实现了高预测精度。
• DeePAW 除电子密度外还预测形成能，从而实现多尺度材料建模。