AI与世界难题 · 化学与材料 · Nature Machine Intelligence · 2026-10-23
用于通用电荷密度预测的高效等变框架
原标题: Efficient equivariant framework for universal charge density prediction
密度泛函理论计算成本高昂，限制了材料发现中所使用的电子结构计算。作者提出了EdenGNN，这是一种可预测电荷密度和增强占据数的机器学习模型，以及EdenGNN-Uni，这是一个在Materials Project数据库上针对覆盖整个元素周期表的非磁性结构训练而成的通用版本。该模型速度提升了一个数量级以上，并能准确预测大多数未见材料的能带结构，比通用机器学习哈密顿量方法表现出更强的鲁棒性。