從發現量子力學到材料計算預測經曆了上百年的發展，由此誕生了以密度泛函理論為代表的第一性原理計算方法，從此原子、電子層次的材料計算設計變為可能。然而，受限于高昂的計算代價，第一性原理方法隻适用于小尺寸材料計算；數據驅動的材料發現被認為是富有潛力的未來發展方向，但現有第一性原理材料數據庫規模太小，離真正意義的材料大數據還很遙遠，這也極大地限制了該領域發展。近年來，AlphaGo、AlphaFold、ChatGPT等代表性工作的出現宣誓了人工智能新時代的來臨，第一性原理計算領域也迎來了變革性轉變的曆史機遇。

在該報告中，我将介紹一個新興的研究方向——第一性原理人工智能，即利用先進的人工神經網絡方法克服第一性原理計算面臨的效率瓶頸，為未來物理、材料發現帶來新的研究範式。作為最新的進展之一，我将重點介紹一種普适的、泛化能力極強的深度學習哈密頓量模型DeepH [1-9]，它用神經網絡替代複雜的密度泛函理論自洽計算，在保持第一性原理精度的同時可将計算效率提升多個量級；更為重要的是，随着訓練數據的增加，神經網絡方法将變得越來越智能，能演化出高效的材料生成模型，實現人工智能驅動的新物理、新材料發現。上述工作展示了第一性原理人工智能的巨大優勢，将深刻改變科學計算與材料發現的未來發展 [10,11]。

參考文獻：

[1] DeepH: H. Li, et al. Nature Computational Science 2, 367 (2022)

[2] DeepH-E3: X. Gong, et al. Nature Communications 14, 2848 (2023)

[3] xDeepH: H. Li, et al. Nature Computational Science 3, 321 (2023) Cover story

[4] DeepH-DFPT: H. Li, et al. Physical Review Letters 132, 096401 (2024) Editors’ suggestion

[5] MagNet: Z Yuan, et al. Quantum Frontiers 3, 8 (2024)

[6] DeepH-hybrid: Z. Tang, et al. Nature Communications (2024)

[7] DeepH-PW: X. Gong, et al. Nature Computational Science (2024)

[8] DeepH-UMM: Y Wang, et al. Science Bulletin (2024) Cover story

[9] DeepH-Zero: Y. Li, et al. Physical Review Letters 133, 076401 (2024) Editors’ suggestion

[10] H. Li, et al. Materials Genome Engineering Advances e16 (2023) Cover story

[11] 深度學習與第一性原理計算H. Li, et al. Physics, 53, 442 (2024)