在新兴量子材料研究中，磁性超结构magnetic superstructures的第一性原理研究是不可或缺的部分之一，但目前受制于巨大计算成本。
近日，清华大学 物理学院 He Li, Zechen Tang，段文晖Wenhui Duan & 徐勇Yong Xu等，在Nature Computational Science上发文，报道开发了深度等变神经网络框架，用以表示磁性材料的密度泛函理论哈密顿量，并用于高效的电子结构计算。这种神经网络结构，结合了基本物理原理的先验知识，特别是近视原理nearsightedness principle、以及欧几里德和时间反演对称性的等方差要求（
），这对于捕捉细微的磁效应，是至关重要的。同时，对自旋螺旋、纳米管和莫尔磁体进行了系统的实验，并使磁性斯格明子的挑战性研究变得可行。Deep-learning electronic-structure calculation of magnetic superstructures. 
图1: 扩展深度学习DFT哈密顿(xDeepH)法，用于研究磁性材料。
图2: xDeepH神经网络架构。
https://www.nature.com/articles/s43588-023-00424-3https://doi.org/10.1038/s43588-023-00424-3本文译自Nature，图片来自预印本，具体请参阅Nature出版版本。
