第一性原理计算2026上半年：当深度学习开始”零样本”求解DFT

在计算材料这个圈子里，第一性原理计算（或者说DFT计算）一直处于一种微妙的”中游”位置：理论框架极其扎实，但计算量级始终约束着可模拟的体系规模。2026年上半年，来自清华大学的DeepH系列方法给这个困局提供了一个新的破局方向。

DeepH-Zero：不需要训练数据的神经网络DFT

这个方向的关键进展来自清华大学物理系徐勇、段文晖研究组。他们的DeepH（Deep-learning DFT Hamiltonian）方法最初的核心思路是：用神经网络从DFT数据中学习哈密顿量，然后用学到的模型绕开耗时的自洽迭代，直接预测新结构的电子性质。

这条路线本身不算开创性的——用神经网络做DFT代理模型是2020年前后就开始热起来的方向。DeepH真正的突破在于2024年底提出的DeepH-Zero：不需要任何训练数据，仅凭基本物理原理就能完成神经网络的优化学习。

这个”零训练数据”的能力在计算物理领域的意义，需要放在具体场景里理解。传统的ML-DFT方法面临一个”先有鸡还是先有蛋”的困境：你想用神经网络加速DFT计算，但训练神经网络又依赖大量DFT计算结果——训练成本本身就是一笔沉重的账单。DeepH-Zero跳出了这个循环，通过在神经网络中嵌入DFT的物理约束，让模型自己”学会”求解。

2026年5月23日，北京计算科学中心的魏苏淮教授在南京大学的一次学术报告中专题评述了这个方向。他的判断是：DFT计算正在从”实验引导的试错法向理论计算驱动的方法转变”，而DeepH系列方法是推动这个转变的关键引擎之一。

从DFT到DFPT：AI加速的横向扩展

如果说DeepH-Zero解决了”怎么做”的问题，DeepH-DFPT则回答了”能做什么”的问题。DFPT（密度泛函微扰理论）是计算材料响应性质（声子谱、介电常数、压电系数等）的标准框架，计算量通常是基态DFT的几十倍。徐勇、段文晖团队将DeepH方法扩展到了DFPT计算上，用神经网络学习单位扰动下Kohn-Sham势的变化，直接绕过Sternheimer方程的自洽求解——这一步的传统计算耗时占DFPT总时长的60%以上。

这个扩展的意义不在于精度（DFPT本身就很精确），而在于规模化。当一个材料的声子谱计算从需要几百个核时降到十几个核时，原本只能做单点的分析可以扩展为系统性扫描——这对高通量材料筛选场景是质的改变。

VASP生态的”稳定红利”

说完前沿突破，回到日常计算场景。VASP作为DFT计算的行业金标准，2026年上半年的主线不是颠覆而是深化。PAW方法的精度优势在电荷密度分析、Bader电荷计算等场景中依然是绕不开的基准线。

一个值得关注的结构性变化是国产DFT软件的生态成型。测试狗等国内计算服务平台已经拿到了VASP的正规商业版权授权，搭配自研的DFT计算引擎形成服务矩阵。对于没有VASP版权、也不想花时间编译开源替代品（如Quantum ESPRESSO）的课题组，这种”平台化”服务正在降低DFT计算的使用门槛。

行业的底层张力

第一性原理计算领域2026年的核心张力是清楚的：精度与成本的取舍正在被AI重新定义。过去DFT计算的成本天花板由Kohn-Sham方程的自洽迭代决定；现在AI加速方法正在把这个天花板向上推——而DeepH-Zero的零训练数据能力意味着，AI加速不再是”先付训练账单再享受红利”，而是可以直接进入红利阶段。

这个变化对于日常做DFT计算的科研人员来说，短期影响不直接（大多数课题组还是会用VASP跑常规计算），但中长期来看，当AI加速DFT的计算成本降到传统方法的十分之一以下，整个领域对”什么体系值得算、什么尺度可以算”的判断基准将被重置。

本文综述2026年上半年第一性原理计算领域的前沿进展，重点关注DeepH系列方法的突破及其对DFT计算范式的影响。信息来源包括清华大学官方发布、学术报告公开摘要及计算物理领域公开讨论。