Caltech 团队发布 O-kRystal：AI 学出超越 DFT 的能带修正，MAE 降 68.7%
AnimaAnandkumar · x · 2026-10-18
Anima Anandkumar（Caltech）团队介绍 O-krystal，一个周期性 E(3)-等变图神经网络，用于学习对单个电子态的修正，突破标准 DFT 的精度上限。
- 方法：利用较低成本的 PBE 计算提供的轨道信息，在实空间与倒易空间同时建模，把局域电子相互作用与晶体动量依赖纳入同一模型。
三大首次：
- 化学尺度：覆盖近 6000 种化学多样的三维材料的 HSE06 能带预测
- 电子行为广度：金属与绝缘体、磁性与非磁性体系，支持自旋分辨率与不同能带数
- 理论与维度灵活性：同一框架分别训练后可预测二维材料的 G0W0 准粒子能量
仅在高对称点上训练，仍能在未见的能带路径点保持相近精度，并重建态密度。在强关联材料独立 benchmark 上，O-kRystal 将 PBE 能带能量 MAE 降低 68.7%；以典型 Mott 绝缘体 AFM-II MnO 为例，模型能区分 Mn 3d 与 O 2p 态的不同修正，恢复其相对位置。这为量子材料（含超导等涌现相）的实验级精度预测与大规模发现铺路。
所属事件:Caltech 发布 O-kRystal：AI 能带预测精度超越 DFT(2 条相关)→
「研究」频道最新
- 用 Opus 模拟 Hox 基因网络,生成了蜥蜴与蛇的骨骼图 — repligate · 2026-10-18
- OpenEnv Arena 免 GPU 做 RL 环境：每 24 小时可跑一次训练 — ben_burtenshaw · 2026-10-18
- 法国数学博士生：20 欧的 ChatGPT 就能解掉我做了两年的题 — FlorianGallwitz · 2026-10-18
- 「想法盆地」观察:同一任务多次独立运行得分悬殊,且加算力也追不平 — menhguin · 2026-10-18
- NVIDIA 研究员回应线性注意力之争:8B 混合架构早于 MiniMax-01 七个月 — ctnzr · 2026-10-18
- ERRORPROBE 框架:自动定位多智能体系统中故障源于哪个 agent — burkov · 2026-10-18