Nach dem Erfolg großer Sprachmodelle hat das Konzept großer Materialmodelle als Deep-Learning-Computermodelle für das Materialdesign großes Interesse geweckt. Dennoch scheint die Aufgabe, große Materialmodelle zu entwickeln, angesichts der inhärenten Komplexität der Struktur-Eigenschafts-Beziehungen in Materialien eine ziemliche Herausforderung zu sein.
Ein Forschungsteam der Universität Tsinghua unter der Leitung von Prof. Yong Xu und Prof. Wenhui Duan versuchte, diese Herausforderung zu bewältigen, indem es mithilfe der Deep-Learning-Methode der Dichtefunktionaltheorie Hamiltonian (DeepH) große Materialmodelle entwickelte.
Die Dichtefunktionaltheorie (DFT) hat sich als äußerst wertvoller Ansatz auf der Grundlage erster Prinzipien für das computergestützte Materialdesign erwiesen und ist eine der beliebtesten Methoden in der computergestützten Materialwissenschaft. Der DFT-Hamiltonoperator dient als grundlegende Größe in DFT-Berechnungen und ermöglicht die direkte Ableitung aller anderen physikalischen Größen, einschließlich Gesamtenergie, Ladungsdichte, Bandstruktur, physikalischer Reaktionen usw.
Die Arbeit des Teams ist veröffentlicht im Journal Wissenschafts-Bulletin.
Während die DeepH-Methode bereits häufig zur Untersuchung spezifischer Materialien eingesetzt wird, ist es noch immer schwierig, ein universelles DeepH-Materialmodell zu entwickeln, das die unterschiedlichen Materialstrukturen der meisten Elemente des Periodensystems verarbeiten kann. DeepH nutzt vorhandenes physikalisches Wissen, um die Leistung seines Modells zu verbessern.
Zu den Vorkenntnissen gehören das grundlegende Äquivarianzprinzip sowie das „Quantenkurzsichtigkeitsprinzip“. Letzteres besagt, dass lokale Größen wie der DFT-Hamiltonoperator durch die benachbarte chemische Umgebung und nicht durch die gesamte Materialstruktur bestimmt werden können, was eine gute Übertragbarkeit von DeepH-Modellen gewährleistet. Im Vergleich zu spezifischen Materialmodellen stellt die Entwicklung eines universellen Materialmodells von DeepH eine große Herausforderung hinsichtlich der Generalisierbarkeit und Robustheit der Methode dar.
Das Forschungsteam erstellte zunächst eine große DFT-Datenbank mit Rechendaten von über 10.000 Materialstrukturen. Basierend auf dieser Materialdatenbank und einer verbesserten DeepH-Methode (DeepH-2) erstellten die Forscher ein universelles DeepH-Materialmodell, das mit unterschiedlichen Elementzusammensetzungen und Materialstrukturen umgehen kann und eine bemerkenswerte Genauigkeit bei der Vorhersage von Materialeigenschaften erreicht. Die Robustheit des Modells wurde durch die genaue Vorhersage von Materialeigenschaften komplizierter Testmaterialstrukturen demonstriert.
Diese Arbeit demonstriert nicht nur das Konzept des universellen Materialmodells von DeepH, sondern legt auch den Grundstein für die Entwicklung großer Materialmodelle und eröffnet damit bedeutende Möglichkeiten für die Weiterentwicklung der auf künstlicher Intelligenz basierenden Materialforschung.
Weitere Informationen:
Yuxiang Wang et al, Universelles Materialmodell der Deep-Learning-Dichtefunktionaltheorie Hamiltonoperator, Wissenschafts-Bulletin (2024). DOI: 10.1016/j.scib.2024.06.011