从发现量子力学到材料计算预测经历了上百年的发展，由此诞生了以密度泛函理论为代表的第一性原理计算方法，从此原子、电子层次的材料计算设计变为可能。然而，受限于高昂的计算代价，第一性原理方法只适用于小尺寸材料计算；数据驱动的材料发现被认为是富有潜力的未来发展方向，但现有第一性原理材料数据库规模太小，离真正意义的材料大数据还很遥远，这也极大地限制了该领域发展。近年来，AlphaGo、AlphaFold、ChatGPT等代表性工作的出现宣誓了人工智能新时代的来临，第一性原理计算领域也迎来了变革性转变的历史机遇。

在该报告中，我将介绍一个新兴的研究方向——第一性原理人工智能，即利用先进的人工神经网络方法克服第一性原理计算面临的效率瓶颈，为未来物理、材料发现带来新的研究范式。作为最新的进展之一，我将重点介绍一种普适的、泛化能力极强的深度学习哈密顿量模型DeepH [1-9]，它用神经网络替代复杂的密度泛函理论自洽计算，在保持第一性原理精度的同时可将计算效率提升多个量级；更为重要的是，随着训练数据的增加，神经网络方法将变得越来越智能，能演化出高效的材料生成模型，实现人工智能驱动的新物理、新材料发现。上述工作展示了第一性原理人工智能的巨大优势，将深刻改变科学计算与材料发现的未来发展 [10,11]。

参考文献：

[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] 深度学习与第一性原理计算H. Li, et al. Physics, 53, 442 (2024)