报告题目：AI辅助的材料电子结构建模及器件量子输运模拟

报  告 人：顾强强副教授，中国科学技术大学

研究方向：科学智能与电子结构

报告时间：2026年10月26日（星期一）上午10:30

报告地点：格物楼502智慧教室

报告摘要：

在第一性原理密度泛函理论方法框架下，模拟具有真实器件尺寸材料的电子行为仍然是一项几乎不可能的任务。为了解决该问题，我们发展了基于深度学习的电子结构模型表示方法, DeePTB。该方法在同一个框架中实现了DeePTB-SK和DeePTB-E3两种方案。 DeePTB-SK是一种深度学习增强的Slater-Koster (SK) 紧束缚 (TB) 方法，能高效预测依赖局部环境的SK参数，使含有数百万原子系统的电子结构模拟变得高效。DeePTB-E3旨在以最高精度预测LCAO-DFT框架中的多种量子算符矩阵，包括哈密顿量、密度矩阵和交叠矩阵，同时大幅提高计算效率。其核心创新在于设计了严格局域的等变消息传递模型 (SLEM)，为哈密顿量、密度矩阵和交叠矩阵等量子算符构建局部等变表示。在上述方法基座的基础上，进一步开发发展了融合双中心等效模型物理先验的通用等变哈密顿量模型UniTB 和UniTB-Flash系列模型，在精度和效率层面达到SOTA水平。在应用层面，DeePTB结合机器学习分子动力学方法实现对原子和电子行为的同步描述，实现高效、精确的考虑原子运动下的电子性质模拟,例如声子辅助的光电响应计算。进一步地，我们发展了DeePTB-NEGF的计算框架，并独立开发了DPNEGF软件，可以基于深度学习哈密顿量结合非平衡格林函数 (NEGF) 实现高效准确的电子输运模拟，实现了对DFT-NEGF的2-3个数量级的加速。DeePTB系列方法为材料电子结构建模以及器件输运模拟等研究场景提供全新解决途径。

报告人简介：

顾强强，博士，副教授，博士生导师，2015年毕业于东南大学获学士学位，2021年于北京大学物理学专业获得博士学位。之后在北京大学数学科学学院跟随鄂维南院士从事博士后研究。主要研究科学智能与电子结构 , 开发高精度、可扩展的深度学习电子结构方法，实现复杂材料体系的大尺度物理仿真。在Nature Communications、Science Bulletin等期刊发表论文20余篇，开发了基于深度学习的电子结构模型表示方法DeePTB及相关计算程序包。

一审：陈明星

二审：贺兵香

三审：廖洁桥