[论文解读] Efficient hybrid density functional calculation by deep learning

Zechen Tang, He Li+8 more|arXiv (Cornell University)|Feb 16, 2023

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文提出 DeepH-hybrid，一种深度等变神经网络方法，通过从小型自洽场计算中学习混合泛函哈密顿量，实现了对大体系电子结构模拟的高效、高精度计算。该方法相较传统 DFT 实现了数量级的速度提升，同时保持高精度，成功预测了含 11,164 个原子的魔角扭曲双层石墨烯的 HSE 带结构，揭示了由于精确交换作用，平坦能带宽度增加了十倍。

ABSTRACT

Hybrid density functional calculation is indispensable to accurate description of electronic structure, whereas the formidable computational cost restricts its broad application. Here we develop a deep equivariant neural network method (named DeepH-hybrid) to learn the hybrid-functional Hamiltonian from self-consistent field calculations of small structures, and apply the trained neural networks for efficient electronic-structure calculation by passing the self-consistent iterations. The method is systematically checked to show high efficiency and accuracy, making the study of large-scale materials with hybrid-functional accuracy feasible. As an important application, the DeepH-hybrid method is applied to study large-supercell Moiré twisted materials, offering the first case study on how the inclusion of exact exchange affects flat bands in the magic-angle twisted bilayer graphene.

研究动机与目标

• 为克服在大规模材料模拟中混合密度泛函理论（DFT）的高计算成本。
• 将基于深度学习的电子结构方法（DeepH）从局域和近似局域泛函扩展至广义 Kohn-Sham 框架下的非局域混合泛函。
• 实现对复杂超结构（如扭曲双层石墨烯）电子性质——尤其是能带结构和带隙——的高效、高精度预测，使用混合泛函。
• 在大尺度上研究精确交换对魔角扭曲双层石墨烯（MATBG）中平坦能带物理的影响。
• 验证所学习哈密顿量在不同扭转角和原子构型下的泛化能力与可转移性。

提出的方法

• 训练一个 E(3)-等变深度神经网络，以原子结构为输入，预测混合泛函 Kohn-Sham 哈密顿量 $ H_{\text{DFT}}^{\text{hyb}} $，使用小型参考体系的自洽场数据。
• 该方法利用局域原子基组中的近视原理，通过学习的神经网络参数有效表征混合泛函中非局域交换-关联效应。
• 训练后的模型直接输出哈密顿量，绕过迭代自洽场（SCF）过程，与标准 DFT 相比显著降低计算成本。
• 模型首先在经过随机平面内位移和层间距离扰动的未扭曲双层石墨烯上进行训练，以模拟多样的堆叠构型。
• 通过数据增强和网络架构的不变性，实现对具有多种扭转角（如 21.79°、13.17°、9.43°）和大超胞（最多 11,164 个原子）的扭曲双层石墨烯的泛化。
• 通过与参考 DFT 计算结果对比预测的能带结构和费米速度，验证方法性能，并报告精度与效率的定量指标。

实验结果

研究问题

• RQ1 深度学习能否在广义 Kohn-Sham 框架下有效表征混合泛函中的非局域交换势？
• RQ2 在小而简单的体系上训练的深度神经网络，能在多大程度上泛化到包含超过 10,000 个原子的复杂超结构（如扭曲双层石墨烯）？
• RQ3 与 PBE 泛函相比，通过 HSE 泛函引入精确交换对魔角扭曲双层石墨烯中平坦能带特性有何影响？
• RQ4 与传统 DFT 相比，DeepH-hybrid 方法在大规模混合泛函计算中实现了多大的计算效率提升？
• RQ5 该模型能否以远低于传统方法的成本，实现对电子性质（如带隙和费米速度）的从头计算精度预测？

主要发现

• 与传统 DFT 相比，DeepH-hybrid 将计算成本降低了一个数量级以上，且随体系尺寸增长的标度更低。
• 模型在多种扭转角下对扭曲双层石墨烯的能带结构预测表现出高精度，与参考 DFT 结果高度一致。
• 在魔角扭曲双层石墨烯（11,164 个原子）中，通过 HSE 泛函引入精确交换后，平坦能带的能带宽度从 PBE 的 4.1 meV 增加到 41.1 meV，表明平坦性显著降低。
• 费米速度从 PBE 的 0.9 m/s 提升至 HSE 的 36.2 m/s，表明精确交换导致电子动力学发生定性变化。
• 该方法成功实现从未扭曲双层石墨烯到多种扭曲超结构的泛化，对结构变化和堆叠构型表现出强鲁棒性。
• DeepH-hybrid 首次实现了莫尔扭曲材料中混合泛函电子结构的大规模研究，为复杂关联体系的精确、高效模拟打开了新途径。