Обучение гамильтониана с учётом физики для предсказания оптоэлектронных свойств в крупномасштабных задачах

Почему это важно для лучших солнечных элементов и светодиодов

Проектирование кремниевых элементов следующего поколения, светодиодов и других оптических технологий всё в большей степени опирается на моделирование движения электронов в сложных материалах. Но наиболее точные квантово-механические расчёты настолько ресурсоёмки, что перестают быть применимыми к реалистичным неупорядоченным кристаллам с десятками тысяч атомов. В этой работе предлагается новый подход, названный HAMSTER, который сочетает проверенную физику и машинное обучение, делая возможными и надёжными такие крупномасштабные реалистичные симуляции.

Короткий путь, который при этом уважает физику

В основе работы стоит задача предсказания гамильтониана — центрального математического объекта, в котором закодировано поведение электронов в материале. Зная гамильтониан, можно вычислить ключевые величины, такие как запрещённые зоны, определяющие, как материал поглощает и испускает свет. Чисто статистические нейросети способны выучить отображение от положений атомов к гамильтониану, но обычно им нужны огромные наборы данных и они мало дают понимания внутренней физики модели. Авторы вместо этого начинают с хорошо изученной приближённой физической модели — tight-binding, которая уже захватывает основные взаимодействия между атомами. Компонент машинного обучения затем учится только оставшимся различиям между этой аппроксимацией и высокоточными квантовыми расчётами, резко снижая нагрузку на обучение.

Обучение модели «чувствовать» окружение

Ключевое нововведение — способ кодирования HAMSTER «среды» вокруг каждой пары атомов. В реальных материалах атомы вибрируют и смещаются с ростом температуры, а окружающие атомы тонко меняют то, как электроны перемещаются между данной парой узлов. Традиционные tight-binding модели во многом игнорируют такие многo-атомные влияния. HAMSTER представляет локальное окружение двух взаимодействующих атомов с помощью компактного дескриптора, который отражает, какие соседи находятся в пределах заданного радиуса, как далеко они расположены и как ориентированы их орбитали. Плавный отсечённый радиус обеспечивает уменьшение вклада удалённых атомов. Простая модель машинного обучения на радиальных базисах затем использует эти дескрипторы, чтобы добавить небольшие поправки к элементам tight-binding гамильтониана, концентрируясь именно на недостающих эффектах окружения, а не на повторном изучении базовой физики с нуля.

От простых полупроводников до сложных перовскитов

Чтобы подтвердить идею, команда сначала применяет HAMSTER к арсениду галлия — хорошо изученному полупроводнику — и показывает, что с помощью всего нескольких структур для обучения можно достигнуть точности близкой к первопринципной при предсказании энергетических уровней. Затем они берутся за куда более сложную задачу: галогенидные перовскиты, такие как CsPbBr3 и MAPbBr3, — перспективные материалы для солнечных элементов и источников света, которые сложно моделировать из‑за мягкой решётки и сильных тепловых флуктуаций. Для CsPbBr3 HAMSTER, обученный на снимках молекулярно-динамических траекторий при одной температуре, воспроизводит подробные квантовые расчёты в широком диапазоне температур, удерживая погрешности в ширине запрещённой зоны и энергетических уровнях в пределах нескольких сотых электрона вольта. Он также захватывает временные флуктуации ширины запрещённой зоны по мере движения атомов — критически важный аспект для реалистичных предсказаний устройств.

Достижение действительно больших систем

Поскольку HAMSTER намного дешевле по вычислительной стоимости, чем полные квантовые расчёты, авторам удаётся масштабировать модели до объёмов симуляционных ящиков, содержащих десятки тысяч атомов — размеров, совершенно непрактичных для стандартной теории функционала плотности. Для CsPbBr3 они комбинируют машинно-выведённое поле сил для атомного движения с HAMSTER для электронной структуры и анализируют сверхячейку 16 × 16 × 16, содержащую более 20 000 атомов. В этих гигантских системах кратковременные флуктуации запрещённой зоны усредняются, выявляя чёткую температурную зависимость, которая хорошо согласуется с экспериментальными измерениями. Аналогичный подход для MAPbBr3 позволяет изучать ячейки почти с 50 000 атомами и картировать, как размер системы и температура влияют на ширину запрещённой зоны, вновь демонстрируя хорошее качественное согласие с экспериментом.

Что это значит для будущего проектирования материалов

В целом исследование показывает, что внедрение физического знания в машинное обучение — мощный способ преодолеть разрыв между простыми моделями и полностью первопринципными симуляциями. HAMSTER сохраняет интерпретируемость описания на базе гамильтониана, одновременно достигая точности и универсальности, необходимых для учета термических эффектов, химических подстановок и реалистичных масштабов. Для неспециалистов вывод такой: подобный подход, информированный физикой, может стать практическим рабочим инструментом для компьютерного поиска новых материалов для сбора и излучения света, направляя эксперименты к наиболее перспективным кандидатам без запретных затрат классических квантовых расчётов.

Цитирование: Schwade, M., Zhang, S., Vonhoff, F. et al. Physics-informed Hamiltonian learning for large-scale optoelectronic property prediction. Nat Commun 17, 2652 (2026). https://doi.org/10.1038/s41467-026-70865-7

Ключевые слова: галогенидные перовскиты, машинное обучение в материаловедении, электронная структура, оптоэлектронные свойства, гамильтониан в приближении tight-binding