[发明专利]一种基于原子邻域图表示的参数化哈密顿量构造方法

说明书

本发明涉及一种基于原子邻域图表示的参数化哈密顿量构造方法，包括步骤：根据材料的晶体结构信息构建晶体图，所述晶体图的每个结点代表晶胞中对应的原子及其所有周期性的镜像；基于由多个图卷积层组成的图神经网络更新所述结点的特征向量，以使结点的输出特征向量包含原子局部化学环境表示；基于多层感知机模型从所述输出特征向量学习并获取对应材料的参数化哈密顿矩阵元。可解决机器学习方法拟合得到的哈密顿量不能保证体系实空间对称性和网络模型的泛用性差等问题，并且同时兼顾高效率和高精度的优点。

技术领域

本发明涉及参数化哈密顿量构造技术领域，特别涉及一种基于原子邻域图表示的参数化哈密顿量构造方法。

背景技术

目前在参数化哈密顿矩阵的构造方法中，基于机器学习拟合材料体系的参数化哈密顿量方法由于同时兼顾高效率和高精度的优点，能满足对新型材料的能带结构和电子输运性质的研究，因此受到了越来越多的关注。

相关技术在实际应用中，需要先由第一性原理计算得到的能带数据作为输入，将神经网络的神经元与哈密顿量的矩阵元素一一对应。利用物理公式从神经网络表示的哈密顿量计算得到能带，并与材料的真实能带做比较，将误差相反传播到每个神经元上，并利用梯度下降算法优化神经元值，最终拟合得到预定义精度的哈密顿矩阵值。在该类神经网络拟合得到的哈密顿矩阵中，虽然还原能带的效果好，但由于拟合的随机性和哈密顿矩阵大小的不确定性，使得拟合到的哈密顿矩阵不具备明确的物理意义。

一些技术采用基于模板的微调哈密顿矩阵模型，此类方法需要对拟合材料有一定的了解，以物质的第一性原理能带(或由实验测量得到的能带)以及猜想的哈密顿量模版为输入，以优化后的哈密顿量矩阵为输出，得到的哈密顿量拟合第一性原理能带精度更高，物理意义也更清晰，但仍不能保证哈密顿矩阵的实空间对称性。

还有一些技术基于Slater-Koster提出双中心近似模型，用固定的拟合公式来表示哈密顿量中的矩阵元(轨道与轨道之间的在位能和跳跃能)并以此拟合能带，得到材料体系的哈密顿量，但由于Slater-Koster双中心近似模型只考虑了最近邻原子之间的相互作用，所以此方案虽然拟合得到的哈密顿矩阵物理意义明显，但精度普遍不高。因此，如何基于神经网络模型拟合物理意清晰的哈密顿矩阵值，并且同时兼顾高效率和高精度是亟待解决的问题。

发明内容

本发明实施例提供一种基于原子邻域图表示的参数化哈密顿量构造方法，用于解决机器学习方法拟合得到的哈密顿量不能保证体系实空间对称性和网络模型的泛用性差等问题，并且同时兼顾高效率和高精度的优点。

一方面，本发明实施例提供了一种基于原子邻域图表示的参数化哈密顿量构造方法，其特征在于，所述方法包括步骤：

根据材料的晶体结构信息构建晶体图，所述晶体图的每个结点代表晶胞中对应的原子及其所有周期性的镜像；

基于由多个图卷积层组成的图神经网络更新所述结点的特征向量，以使结点的输出特征向量包含原子局部化学环境表示；

基于多层感知机模型从所述输出特征向量学习并获取对应材料的参数化哈密顿矩阵元。

一些实施例中，所述根据材料的晶体结构信息构建晶体图，包括步骤：

根据材料的晶体结构信息，将一个晶胞内的原子和化学键分别作为所述晶体图的结点和边并确定晶体图中结点和边的个数；

对所述结点和边的特征向量进行初始化，所述结点的初始特征向量为代表元素种类的嵌入向量，所述边的特征向量为原子中心间距函数。

一些实施例中，所述将一个晶胞内的原子和化学键分别作为所述晶体图的结点和边，包括步骤：

在确定晶体图的边时，设置原子轨道相互作用的截断距离，当两个原子之间的距离小于所述截断距离时，则认为所述两个原子之间有边。