清华大学物理系徐勇、段文晖研究组与美国加州大学伯克利分校物理系史蒂文·路易（Steven G. Louie）研究组合作开发了一套方法框架，将研究组开发的深度学习密度泛函理论哈密顿量（DeepH）方法从原先仅支持原子基组推广至适用于平面波基组，使得DeepH方法可与所有密度泛函理论（DFT）程序兼容。这给深度学习电子结构计算方法带来了更高的精度和更好的泛化能力，并打通了其利用电子结构大数据作深度学习的通道。研究团队开发了一套高效且精确的方法，可以利用平面波DFT程序的计算结果重构原子轨道基组哈密顿量（，并构建了实现该功能的软件包H-PRO。针对不同材料体系的计算实验证明，由此方法得到的原子轨道基组哈密顿量不仅可以准确地重复出平面波方法计算得到的电子结构信息，还能够直接适配原有的DeepH框架并训练得到准确的神经网络模型。由此，平面波基组下的深度学习电子结构计算问题得到了良好的解决，训练得到的神经网络也有更高的精度和泛化能力。不仅如此，研究团队还在由平面波DFT数据重构原子轨道基组哈密顿量的算法上有所突破，开发的基于实空间的方法能够比基于投影的传统算法快多个数量级，且对于材料体系大小有线性的时间复杂度。相关研究成果以“将深度学习电子结构计算推广到平面波的基础上”（Generalizing deep-learning electronic structure calculation to the plane-wave basis）为题，于10月3日发表于《自然·计算科学》（Nature Computational Science）。