共计 1531 个字符，预计需要花费 4 分钟才能阅读完成。
紧解放模型（Tight Binding Model, TB Model）作为计算电子构造的等效哈密顿量办法，绝对于第一性原理办法，具备尺寸小效率高的长处，在钻研纳米尺度或者更大体系的电子性质，探索分析物理现象的深层机制具备微小劣势。
不过，TB 模型的构建却不是一件容易的事件。依据构建 TB 的不同形式，能够具体分为第一性原理 TB 模型 以及（半）教训 TB 模型。第一性原理 TB在构建模型过程中须要先进行第一性原理波函数等计算，因而尽管第一性原理 TB 精度高，且失去 TB 之后的计算效率高，然而结构 TB 自身的计算复杂度束缚了第一性原理 TB 的利用场景。而 （半）教训 TB 模型 基于教训参数，不须要额定的计算，间接结构给定体系结构的 TB 模型，所以从结构到计算过程效率很高，然而一套通用且迁移性良好的教训参数的拟合往往非常复杂且耗时。间接应用文献中的参数对于指标体系的迁移性往往有余。因而传统的紧解放模型办法也存在着精度与效率的窘境。
基于上述背景，北京迷信智能研究院倒退了 基于深度学习的电子 TB 模型哈密顿量构造方法 DeePTB，基于神经网络系统地构建具备第一性原理精度的 TB 模型，实现精度与效率的对立。
DeePTB 办法的整体框架图如下。对于给定构型中指定近邻范畴内的成键原子对，在教训紧解放参数的根底上，通过 embedding 网络编码成键原子对的局域化学环境，结构 symmetry-preserving 形容子，并用 fitting 网络预测局域环境依赖的 TB 参数。该办法冲破了传统模型的双核心近似，并能基于 PyTorch 机器学习框架，系统地进行高效的参数主动拟合。更具体的办法及公式细节请参考 DeePTB 文章 [1]。
图|DeePTB 办法整体框架 [1]
DeePTB 办法通过神经网络修改实现精度与效率的对立；容许用户灵便抉择不同 DFT 软件和泛函生成训练标签，反对自旋轨道耦合解决；并基于 Slater-Koster 框架，反对自定义教训 TB 拟合公式；亦可联合分子动力学模仿无限温度下的电子构造和性质。
同时，DeePTB 采纳正交基组 TB 模式，因而能够接入大规模 TB 算法，例如咱们上一期推送中袁声军传授自主倒退的紧解放流传 (TBPM)办法与 TBPLaS 软件，轻松实现百万千万量级原子的第一性原理精度的电子性质计算。真正实现器件级尺寸的量子力学模仿。
DeePTB Notebook
纸上得来终觉浅，绝知此事要躬行。本期 Notebook 将以训练硅的紧解放模型为例，为大家带来 DeePTB 的疾速上手指南。无需配置环境，带大家手把手地把握 DeePTB 这一弱小的大尺度量子体系计算工具。
本期 Notebook 来自北京迷信智能研究院顾强强博士与周寅张皓，作为 DeePTB 外围开发者，他们带来了残缺的 DeePTB 模型的训练流程，你能够通过本期 Notebook 跑通 DeePTB 的残缺训练流程，失去一个残缺的硅晶体 DeePTB 模型，同时体验 DeePTB 的性质计算模块。得其所哉，并将其利用于你的钻研中去。
点击下方图片，拜访本期 Notebook：
目前 DeePTB 代码已在 Deep Modeling 社区中开源：https://github.com/deepmodeling/DeePTB，如果你对 DeePTB 有趣味，或者是有新的想法，欢送通过 GitHub 与开发者分割。如果你心愿应用 DeePTB 进行科研，欢送浏览 原文 退出 DeePTB 用户交换群，交换问题和心得。
Reference
[1] Gu, Qiangqiang, et al. “DeePTB: A deep learning-based tight-binding approach with ab initio accuracy.” arXiv preprint arXiv:2307.04638, 2023.