为什么单开一篇

本专栏的主线是DeepH家族，但”用神经网络学电子结构哈密顿量”绝不是清华一家的独角戏。复旦、北大、MIT、Airbnb（没错，QHNet出自一家以推荐系统见长的公司的研究团队）都有各具特色的工作。它们与DeepH共享同一套物理地基——近邻性与等变性——却在网络设计哲学上分道扬镳。这篇推文快速浏览几处值得驻足的风景。

HamGNN：解析参数化的另一条路

HamGNN（Zhong、Yu、Su、Gong、Xiang，npj Computational Materials 9, 182, 2023）是与DeepH-E3几乎同时出现的独立工作，复旦向红军团队的产物。

它与 DeepH-E3：彻底的等变化 的共同点是都把E(3)等变卷积作为骨架；分歧在输出端的构造方式。DeepH-E3依赖Wigner-Eckart定理把等变特征”焊接”成矩阵；HamGNN则更进一步，提出一套解析的参数化方案——直接把每个哈密顿子块分解为携带确定宇称的不可约球张量（IST）的线性组合，

其中基张量$T^{L,M}_{p_1p_2}$由Clebsch-Gordan系数与实球谐函数显式构造，网络的任务只是预测展开系数$t^{L}_{ij}$。对称性约束由此被写成了显式的解析公式而非隐式的构造流程。

这个设计的红利在自旋轨道耦合上兑现：只需把表示从O(3)升级到SU(2)并纳入时间反演，同一套参数化就能严格处理SOC体系。测试覆盖QM9分子、426种碳同素异形体、硅同素异形体、SiO₂同质异构体与BiₓSeᵧ化合物，小体系训练的模型成功迁移到了moiré扭转MoS₂和含位错缺陷的硅超胞——迁移能力与DeepH旗鼓相当。软件层面它对接OpenMX、SIESTA/HONPAS与ABACUS，其后续版本Uni-HamGNN更是瞄准了通用SOC哈密顿模型。

分子哈密顿量谱系

固体之外，分子哈密顿量预测是一条平行发展的谱系。它的学习对象通常是Fock/KS矩阵，其矩阵元编码单电子与双电子贡献：

SchNOrb（2019）率先把SchNet的消息传递用于预测分子的Fock矩阵；PhiSNet引入物理约束显著提升精度；QHNet（Yu、Qian、Ji，ICML 2023）则用高度优化的等变图网络把效率推上新台阶，成为后续工作的常用基线。

这条谱系的特殊价值在于催生了标准数据集：QM9之上的QH9为分子哈密顿量预测提供了统一的训练测试划分，而nablaDFT及其扩展∇²DFT（NeurIPS 2024）则把规模扩大到近两百万构象，涵盖能量、力、哈密顿量与波函数全套标签，学习目标形如

基准敲响的警钟

数据集带来一个不太舒服的发现。∇²DFT的基准测试显示：即便是最强的模型，在跨分子泛化时误差也比文献报告的单分子或近分布结果高出数倍——哈密顿量预测的泛化能力远没有固体领域宣传的那样乐观。这给所有从业者提了个醒： DeepH的应用：杂化泛函与通用模型 中通用模型的叙事固然激动人心，但”化学空间”的广袤程度随时可能超出训练分布，评测协议的设计与训练集的代表性同样值得投入。

顺带一提，DeepH家族内部也在直面这个问题：平面波基的实空间重构打通了存量数据库，DDHT为扭转材料提供预训练库，而 DeepH-Zero：当能量泛函成为损失函数 的变分路线干脆摆脱了对标注数据的依赖——三条路径殊途同归地回应着数据的瓶颈。

应用侧影

最后看一眼这些网络在下游能做什么。N2AMD（Nature Communications 16, 2033, 2025）用E(3)等变神经哈密顿量驱动固体的非绝热分子动力学，发现传统方法把载流子寿命低估了约十倍——电子结构的机器学习直接改写了光电器件模拟的结论。再往前走一步是电声耦合：把哈密顿网络与力场网络配对，有限位移法的高阶电声相互作用计算成本骤降，温度相关的电子性质模拟不再需要海量DFT。应用的面孔还在持续增加。

结语

把镜头拉远：DeepH家族、HamGNN、QHNet们其实在做同一件事——把量子力学中最基本的对象从昂贵的自洽迭代中解放出来，交给等变图神经网络。方法之争（Wigner-Eckart还是解析参数化？监督还是变分？）终会尘埃落定，而这场变革的方向不会逆转：电子结构计算正在从”数值求解”变成”智能推断”。至于推断能力的尽头是不是大材料模型，就让时间来回答。