EdenGNN高效預測材料電荷密度

DFT的成本瓶頸

電子結構計算是理解材料物理化學性質、加速新材料發現的重要基礎。傳統密度泛函理論需要反覆求解Kohn–Sham方程，計算成本較高，難以支撐大規模材料篩選，業界因此轉向以機器學習方法預測電荷密度。

EdenGNN三項設計

現有機器學習模型在電荷密度預測上，往往面臨計算效率與泛化能力的矛盾。EdenGNN結合E(3)等變表示、完全可訓練徑向基函數，以及基於物理先驗的差分學習，實現高效且準確的電荷密度預測，並保持跨體系泛化能力。

銜接高精度計算

模型同時預測贋電荷密度，以及投影綴加波方法所需的綴加佔據量，令預測結果可進一步用於高精度電子結構計算。研究已在分子動力學軌跡及莫爾超晶格等體系中驗證模型表現，為大規模材料篩選提供高效可靠的途徑。