AI 與世界的難題 · 化學與材料 · Nature Machine Intelligence · 2026-10-23
用於通用電荷密度預測的高效等變框架
原標題: Efficient equivariant framework for universal charge density prediction
密度泛函理論的計算成本高昂，限制了材料探索中所使用的電子結構計算。作者提出 EdenGNN，這是一個可預測電荷密度與增強佔據數的機器學習模型，以及 EdenGNN-Uni，這是在 Materials Project 資料庫上針對週期表中非磁性結構訓練而成的通用版本。該模型速度快了一個數量級以上，並能準確預測大多數未見過材料的能帶結構，展現出比通用機器學習哈密頓量方法更高的穩健性。