arXiv · Materials Science· Bang Liu, Yang Zhong, Zhi-Xin Guo, Xin-Gao Gong, Hongjun Xiang·· 9 天前精选
HamGNN-NEGF通过机器学习Hamiltonian实现线性标度量子输运模拟
Linear-Scaling Quantum Transport from Machine-Learning Density Functional Theory Hamiltonians
arXiv:2609.37058v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Bang Liu, Yang Zhong, Zhi-Xin Guo, Xin-Gao Gong, Hongjun Xiang
首次提交：2026-09-29 17:00
研究任务与主要进展
Bang Liu等人提出HamGNN-NEGF框架，用E(3)等变图神经网络预测大规模器件的Hamiltonian，并结合DFT电极自能、非正交核多项式方法和递归Green函数算法进行量子输运模拟。
阶段、条件与复现 · 深读核对
- AI 解决哪一个明确的量子问题？
- 训练数据、物理约束、误差与分布外检验是什么？
- 相同精度和总资源下，是否优于已有方法？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
本站判断
HamGNN-NEGF将机器学习预测Hamiltonian、非正交核多项式方法、递归Green函数和DFT电极自能结合，核心增量是把输运模拟的计算成本在固定截面下扩展为随器件长度线性增长。摘要报告称其在少于500原子时相对完全自洽DFT-NEGF加速超过三个数量级，并支持超过10000原子的器件模拟；结论仍限于摘要所述模型与基准，具体精度、适用范围和实现成本需结合全文核对。
来源：arXiv · Materials Science · arxiv.org