文献 | HamGNN 等变图神经网络预测哈密顿量 | LM

HamGNN 的 E(3) 等变图神经网络 通过一种完全数据驱动的方法拟合分子和固体中 电子哈密顿矩阵。 与传统的机器学习模型不同，HamGNN 利用 E(3) 等变卷积 来构建哈密顿矩阵，从而严格遵循物理系统中固有的所有 等变约束。 与过去模型有限的 可迁移性 相比，HamGNN 在各种数据集上展现出卓越的准确性，并且经过训练的 HamGNN 模型可以准确预测训练集之外大型晶体（如莫尔扭曲双层 MoS2 和含位错缺陷的硅超晶胞）的 电子结构，显示出显著的 可迁移性和泛化能力。 在小型系统上训练的 HamGNN 模型可以作为 密度泛函理论 (DFT) 的高效替代方法，用于准确计算大型系统的电子结构。

1. Transferable equivariant graph neural networks for the Hamiltonians of molecules and solids

2. Accelerating the calculation of electron–phonon coupling strength with machine learning