基于元素组成快速检索
平台涵盖超过20万种稳定晶体的电子结构数据，还提供了直观的查询功能，允许用户基于元素组成快速检索相关材料的详细信息， 包括3D晶体结构、化学式以及由机器学习预测的能带结构和电荷密度分布。
电子结构大模型高效预测
平台的核心是一套通用电子结构大模型，能够跨越整个元素周期表，对复杂多元素晶格的电子结构进行高效预测， 同时输出针对特定体系优化的专用模型，确保在特定领域内的高精度准确性。
实现自动化全流程实验
通过集成的实验环境，用户可以便捷地上传晶体结构，配置计算资源，自动化地执行从数据预处理到结果分析的全流程实验，显著加速了材料科学研究的进程。
这一创新平台代表了电子结构计算的新范式，有望推动超导、集成电路、信息存储和太阳能电池等领域的重大突破，为全球科研人员提供了一个强大的工具箱，助力高通量材料设计与发现。
AI 物质科学实验室，材料科学的智能加速器
团队介绍
相关论文
[1] ETGNN: Zhong, Y., Yu, H., Gong, X. & Xiang, H. A General Tensor Prediction Framework Based on Graph Neural Networks, J. Phys. Chem. Lett. 14, 6339−6348 (2023).
DOI: 10.1021/acs.jpclett.3c01200[2] HamGNN: Zhong, Y., Yu, H., Su, M., Gong, X. & Xiang, H. Transferable equivariant graph neural networks for the Hamiltonians of molecules and solids, npj Comput. Mater. 9, 182 (2023).
DOI: 10.1038/s41524-023-01130-4[3] Universal Hamiltonian model: Y. Zhong, H. Yu, J. Yang, X. Guo, H. Xiang and X. Gong. Universal Machine Learning Kohn-Sham Hamiltonian for Materials, Chin. Phys. Lett. 41, 077103 (2024).
DOI: 10.1088/0256-307X/41/7/077103[4] HamEPC: Y. Zhong, S. Liu, B. Zhang, Z. Tao, Y. Sun, W. Chu, X. G. Gong, J. H. Yang, and H. Xiang. Accelerating the calculation of electron-phonon coupling strength with machine learning, Nat. Comput. Sci. 4, 615–625 (2024).
DOI: 10.1038/s43588-024-00668-7[5] Magnetic Hamiltonian model: Y. Zhong, B. Zhang, H. Yu, X. Gong, and H. Xiang, arXiv:2306.01558 (2023).
arXiv:2306.01558[6] SpinGNN++: H. Yu, B. Liu, Y. Zhong, L. Hong, J. Ji, C. Xu, X. Gong, and H. Xiang. Physics-informed time-reversal equivariant neural network potential for magnetic materials, Phys. Rev. B 110, 104427 (2024).
DOI: 10.1103/PhysRevB.110.104427[7] SpinGNN: H. Yu, Y. Zhong, L. Hong, C. Xu, W. Ren, X. Gong, and H. Xiang. Spin-dependent graph neural network potential for magnetic materials, Phys. Rev. B 109, 144426 (2024).
DOI: 10.1103/PhysRevB.109.144426[8] Spin NN Hamiltonian: H. Yu, C. Xu, X. Li, F. Lou, L. Bellaiche, Z. Hu, X. Gong, and H. Xiang. Complex spin hamiltonian represented by an artificial neural network, Phys. Rev. B 105, 174422 (2022).
DOI: 10.1103/PhysRevB.105.174422[9] Long range descriptor and potential: H. Yu, L. Hong, S. Chen, X. Gong, and H. Xiang. Capturing Long-Range Interaction with Reciprocal Space Neural Network, arXiv:2211.16684.
arXiv:2211.16684[10] Dielectric response potential: H. Yu, S. Deng, M. Xie, Y. Zhang, X. Shi, J. Zhong, C. He, and H. Xiang. Switchable Ferroelectricity in Subnano Silicon Thin Films, arXiv:2407.01914.
arXiv:2407.01914[11] D3REAM: Guanjian Cheng, Xin-Gao Gong, Wan-Jian Yin. An approach for full space inverse materials design by combining universal machine learning potential, universal property model, and optimization algorithm, Science Bulletin, 2024; 69(19): 3066–3074.
[12] N2AMD: Zhang, C., Zhong, Y., Tao, Z. G., Qin, X., Shang, H., Lan, Z., Prezhdo, O. V., Gong, X. G., Chu, W., Xiang, H. Advancing nonadiabatic molecular dynamics simulations in solids with E(3) equivariant deep neural hamiltonians, Nature Communications 16, 2033 (2025).
[13] Uni-HamGNN-SOC: Zhong, Y., Wang, R., Gong, X., Xiang, H. A Universal Spin-Orbit-Coupled Hamiltonian Model for Accelerated Quantum Material Discovery.
arXiv:2504.19586 (2025)代码仓库
研究领域
材料设计与发现
利用人工智能技术高效预测和设计新型功能材料，包括超导体、半导体和磁性材料等。
电子结构预测
通过机器学习模型精确预测材料的能带结构、电子密度和电子态，加速材料性质的探索。
电子-声子耦合研究
开发机器学习算法研究材料中电子与声子的相互作用，为超导材料设计提供理论基础。
磁性材料模拟
结合时间反演对称性神经网络，精确模拟和预测复杂磁性材料的行为和特性。