近日，美国物理学会（APS）旗下期刊于官网（https://journals.aps.org/advances-ai）与其微信公众号（https://mp.weixin.qq.com/s/ngFXgWp1V0TFUDYCmOHS4A?scene=1）同步推出《密度泛函理论与AI交叉》论文特辑，收录其旗下期刊的11篇研究性工作。该特辑由期刊编辑联合美国物理学会化学物理分部共同筛选，入选论文均经过严格同行评审，直观呈现机器学习赋能传统密度泛函计算的发展前景，被评价为“有望进一步发展（密度泛函理论）这一成功的计算方法”。专题配套2026年丹佛全球物理峰会专属论坛，为学界搭建交流平台，集中呈现 AI加速DFT模拟的前沿探索，是了解该交叉赛道经典成果的权威合集。

徐勇、段文晖课题组两篇发表于Physical Review Letters期刊的论文被收录为该合集的开篇和第二篇精选论文，通讯作者均为段文晖、徐勇教授，并都曾入选“编辑推荐”（Editors’Suggestion）。有关论文介绍如下：

（一）深度学习密度泛函微扰论（Phys. Rev. Lett. 132, 096401 (2024)，进展报道：https://mp.weixin.qq.com/s/IieJwySYgmborTPTlbpBpg）：

该论文提出深度学习密度泛函微扰论方法，利用神经网络建模原子结构扰动下Kohn-Sham势的变化规律，避免了传统方法中耗时的Sternheimer方程自洽求解过程。该方法仅需密度泛函理论计算数据进行训练，结合自动微分技术可准确预测物理量导数，已成功应用于较大尺度材料体系的电声耦合性质研究。

图1：深度学习密度泛函微扰论方法示意图

（二）基于变分原理的神经网络密度泛函方法（Phys. Rev. Lett. 133, 076401 （2024），进展报道：https://mp.weixin.qq.com/s/WhppU1M8GLOTpYWlE2RdVw）：

该论文发展DeepH-Zero方法，首次在算法层面实现神经网络与密度泛函理论的深度融合。通过在神经网络中嵌入物理原理，并与变分DFT算法相结合，构建了“神经网络密度泛函理论”无监督学习框架。该框架无需预先建立训练数据，基于基本物理原理训练神经网络，从而实现材料物性的精准预测，在计算精度和泛化能力方面均优于传统监督学习方法。

图2：DeepH-Zero方法原理示意图