本报讯 近日，清华大学物理系教授徐勇、段文晖研究组基于深度学习密度泛函理论哈密顿量（DeepH）方法，发展出一种具备第一性原理智能的深度学习电子结构计算方法DeepH-Zero。该方法首次在算法层面实现了神经网络与密度泛函理论的深度结合，赋予了模型基于物理原理的非监督学习能力。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架，能够在不依赖任何训练计算数据的情况下，实现对材料物性的精准预测。
　　研究成果以“基于变分能量最小化的神经网络密度泛函理论”为题，于8月12日在线发表在《物理评论快报》（Physical Review Letters）期刊上，并入选编辑推荐文章。徐勇和段文晖为该论文的通讯作者，“水木学者”博士后李洋、清华大学物理系2023级博士生唐泽宸、2020级本科生陈泽洲为共同第一作者。
　　（物理系）