DeePTB｜神经网络与量子力学融合，突破传统紧束缚模型

紧束缚模型（Tight Binding Model, TB Model）作为计算电子结构的等效哈密顿量方法，相对于第一性原理方法，具有尺寸小效率高的优点，在研究纳米尺度或者更大体系的电子性质，探究剖析物理现象的深层机制具有巨大优势。

不过，TB 模型的构建却不是一件容易的事情。根据构建 TB 的不同方式，可以具体分为第一性原理 TB 模型 以及（半）经验 TB 模型。第一性原理 TB在构建模型过程中需要先进行第一性原理波函数等计算，因此虽然第一性原理 TB 精度高，且得到 TB 之后的计算效率高，但是构造 TB 本身的计算复杂度约束了第一性原理 TB 的应用场景。而（半）经验 TB 模型基于经验参数，不需要额外的计算，直接构造给定体系结构的 TB 模型，所以从构造到计算过程效率很高，但是一套通用且迁移性良好的经验参数的拟合往往非常复杂且耗时。直接使用文献中的参数对于目标体系的迁移性往往不足。因此传统的紧束缚模型方法也存在着精度与效率的困境。

基于上述背景，北京科学智能研究院发展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有第一性原理精度的 TB 模型，实现精度与效率的统一。

DeePTB 方法的整体框架图如下。对于给定构型中指定近邻范围内的成键原子对，在经验紧束缚参数的基础上，通过 embedding 网络编码成键原子对的局域化学环境，构造 symmetry-preserving 描述子，并用 fitting 网络预测局域环境依赖的 TB 参数。该方法突破了传统模型的双中心近似，并能基于 PyTorch 机器学习框架，系统地进行高效的参数自动拟合。更详细的方法及公式细节请参考 DeePTB 文章 [1]。

图｜DeePTB 方法整体框架 [1]

DeePTB 方法通过神经网络修正实现精度与效率的统一；允许用户灵活选择不同 DFT 软件和泛函生成训练标签，支持自旋轨道耦合处理；并基于 Slater-Koster 框架，支持自定义经验 TB 拟合公式；亦可结合分子动力学模拟有限温度下的电子结构和性质。

同时，DeePTB 采用正交基组 TB 形式，因此可以接入大规模 TB 算法，例如我们上一期推送中袁声军教授自主发展的紧束缚传播 (TBPM )方法与 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拟。

---

DeePTB Notebook

纸上得来终觉浅，绝知此事要躬行。本期 Notebook 将以训练硅的紧束缚模型为例，为大家带来 DeePTB 的快速上手指南。无需配置环境，带大家手把手地掌握 DeePTB 这一强大的大尺度量子体系计算工具。

本期 Notebook 来自北京科学智能研究院顾强强博士与周寅张皓，作为 DeePTB 核心开发者，他们带来了完整的 DeePTB 模型的训练流程，你可以通过本期 Notebook 跑通 DeePTB 的完整训练流程，得到一个完整的硅晶体DeePTB 模型，同时体验 DeePTB 的性质计算模块。得其所哉，并将其应用于你的研究中去。

点击下方图片，访问本期 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 有兴趣，或者是有新的想法，欢迎通过 GitHub 与开发者联系。如果你希望使用 DeePTB 进行科研，欢迎阅读原文加入 DeePTB 用户交流群，交流问题和心得。

---

Reference
[1] Gu, Qiangqiang, et al. "DeePTB: A deep learning-based tight-binding approach with ab initio accuracy." arXiv preprint arXiv:2307.04638, 2023.