近期，复旦大学物理学系研究人员发展了基于机器学习的电子结构计算和电子-声子耦合（EPC）强度计算方法，有望给计算物质科学和材料设计领域注入新的活力。在电子结构计算方面，向红军与龚新高团队基于团队先前开发的HamGNN模型，进一步研发了一种名为“Universal Machine Learning Kohn–Sham Hamiltonian”的图神经网络模型。
该模型可以绕过传统电子结构计算中代价昂贵的自洽过程，实现任意组分任意晶体结构电子哈密顿量矩阵的快速构建，其精度通过预训练和微调两阶段训练流程可以达到第一性原理精度，因而能够准确、快速预测多种体系的电子结构，包括复杂的多元素系统、固态电解质、莫尔扭曲双层异质结构等。利用该模型，他们对GNoME数据集中40多万种晶体的电子结构进行了高通量计算，识别出了大量具有特定带隙特征的体系。这一通用哈密顿模型不仅为电子结构性质的高效可靠计算提供了新的框架，而且为在整个元素周期表范围内开展高效材料设计奠定了基础。
