Böyük dil modellərinin uğurundan sonra materialların dizaynı üçün dərin öyrənmə hesablama modelləri kimi böyük materiallar modelləri konsepsiyası böyük maraq doğurdu. Buna baxmayaraq, materiallarda struktur-əmlak münasibətlərinin xas mürəkkəbliyini nəzərə alsaq, böyük material modellərinin əldə edilməsi işi olduqca çətin görünür.

Professor Yonq Xu və professor Venhui Duanın başçılıq etdiyi Tsinghua Universitetinin tədqiqat qrupu dərin öyrənmə sıxlığı funksional nəzəriyyəsi Hamilton (DeepH) metodundan istifadə edərək böyük materiallar modellərini inkişaf etdirərək bu çətinliyin öhdəsindən gəlməyə çalışdı.

Sıxlıq funksional nəzəriyyəsi (DFT) hesablama materiallarının dizaynı üçün yüksək qiymətli ilk prinsiplər yanaşması kimi ortaya çıxdı və hesablama materialları elmində ən populyar metodlardan biridir. DFT Hamiltonian, DFT hesablamalarında əsas kəmiyyət rolunu oynayır və bütün digər fiziki kəmiyyətlərin, o cümlədən ümumi enerji , yük sıxlığı , bant quruluşu, fiziki cavablar və s.

Komandanın işi Science Bulletin jurnalında dərc olunub .

DeepH metodu xüsusi materialları öyrənmək üçün geniş şəkildə tətbiq olunsa da, dövri cədvəlin əksər elementlərində müxtəlif maddi strukturları idarə etməyə qadir olan DeepH-nin universal material modelini hazırlamaq hələ də çətin olaraq qalır. DeepH, model performansını artırmaq üçün fizika üzrə əvvəlki biliklərdən istifadə edir.

• DFT ilə hesablanmış və DeepH ilə proqnozlaşdırılan zolaq strukturlarını və elektrik həssaslıqlarını χ tezliyinin ω funksiyası kimi təmsil edən test materialları üçün (MAE dərəcələri ~20%, ~40% ~60% və ~80%) müqayisə etməklə universal material modelinin sınaqdan keçirilməsi . Müvafiq material strukturları əlavələrdə göstərilir. Kredit: Science China Press
• Hər bir element üçün orta hesablanmış proqnozlaşdırılan DFT Hamiltonian-ın orta mütləq xətası (MAE) meV səviyyəsində yüksək proqnozlaşdırma dəqiqliyini göstərir. Kredit: Science China Press
• DFT ilə hesablanmış və DeepH ilə proqnozlaşdırılan zolaq strukturlarını və elektrik həssaslıqlarını χ tezliyinin ω funksiyası kimi təmsil edən test materialları üçün (MAE dərəcələri ~20%, ~40% ~60% və ~80%) müqayisə etməklə universal material modelinin sınaqdan keçirilməsi . Müvafiq material strukturları əlavələrdə göstərilir. Kredit: Science China Press
• Hər bir element üçün orta hesablanmış proqnozlaşdırılan DFT Hamiltonian-ın orta mütləq xətası (MAE) meV səviyyəsində yüksək proqnozlaşdırma dəqiqliyini göstərir. Kredit: Science China Press

Əvvəlki biliklərə əsas ekvivariasiya prinsipi, eləcə də “kvant yaxındangörmə prinsipi” daxildir. Sonuncu prinsip bildirir ki, DFT Hamiltonian kimi yerli kəmiyyətlər DeepH modellərinin yaxşı ötürülməsini təmin etməklə bütün maddi strukturdan daha çox qonşu kimyəvi mühitlə müəyyən edilə bilər. Xüsusi material modelləri ilə müqayisədə DeepH-in universal material modelinin hazırlanması metodun ümumiləşdirilməsi və möhkəmliyi baxımından böyük problemdir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=135&slotname=8188791252&adk=2329133447&adf=2996406042&pi=t.ma~as.8188791252&w=540&abgtt=6&fwrn=4&lmt=1724838582&rafmt=11&format=540×135&url=https%3A%2F%2Fphys.org%2Fnews%2F2024-08-large-materials-ai-driven-discovery.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTUuMC4wIiwieDg2IiwiIiwiMTI3LjAuNjUzMy4xMjAiLG51bGwsMCxudWxsLCI2NCIsW1siTm90KUE7QnJhbmQiLCI5OS4wLjAuMCJdLFsiR29vZ2xlIENocm9tZSIsIjEyNy4wLjY1MzMuMTIwIl0sWyJDaHJvbWl1bSIsIjEyNy4wLjY1MzMuMTIwIl1dLDBd&dt=1724837977036&bpp=1&bdt=410&idt=737&shv=r20240822&mjsv=m202408210101&ptt=9&saldr=aa&abxe=1&cookie=ID%3D6bf3eefe49031f83%3AT%3D1721367059%3ART%3D1724838515%3AS%3DALNI_MacAfAOJA8VyURIyKJCZKOtEk96_Q&eo_id_str=ID%3D253fe466b124068d%3AT%3D1721367059%3ART%3D1724838515%3AS%3DAA-Afja3CR3UFVWEVuVSmzApOeu3&prev_fmts=0x0%2C1519x695&nras=2&correlator=2082656923000&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=864&u_w=1536&u_ah=816&u_aw=1536&u_cd=24&u_sd=1.25&dmc=8&adx=395&ady=2532&biw=1519&bih=695&scr_x=0&scr_y=0&eid=44759876%2C44759927%2C44759842%2C44798934%2C95332926%2C95338229%2C31086142&oid=2&pvsid=4267506066726851&tmod=687684231&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2Fsort%2Fdate%2Fall%2Fpage2.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1536%2C0%2C0%2C0%2C1536%2C695&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=0&td=1&tdf=0&psd=W251bGwsbnVsbCwibGFiZWxfb25seV8xIiwxXQ..&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=M

Tədqiqat qrupu əvvəlcə 10.000-dən çox material strukturunun hesablama məlumatlarından ibarət böyük DFT məlumat bazası yaratdı. Bu material bazası və təkmilləşdirilmiş DeepH metodu (DeepH-2) əsasında tədqiqatçılar müxtəlif elementar kompozisiyaları və material strukturlarını idarə etməyə qadir olan və material xassələrinin proqnozlaşdırılmasında diqqətəlayiq dəqiqliyə nail olan DeepH-nin universal material modelini yaratdılar. Modelin möhkəmliyi mürəkkəb sınaq materialı strukturlarının material xassələrinin dəqiq proqnozlaşdırılması ilə nümayiş etdirildi.

Bu iş təkcə DeepH-in universal material modelinin konsepsiyasını nümayiş etdirmir, həm də süni intellektə əsaslanan materialların kəşfini inkişaf etdirmək üçün əhəmiyyətli imkanlar açaraq böyük materiallar modellərinin inkişafı üçün zəmin yaradır.

Daha çox məlumat: Yuxiang Wang və digərləri, Dərin öyrənmə sıxlığının funksional nəzəriyyəsinin universal material modeli Hamiltonian, Elm Bülteni (2024). DOI: 10.1016/j.scib.2024.06.011

Science China Press tərəfindən təmin edilmişdir