近日，复旦大学物理学系/计算物质科学研究所在材料激发态动力学计算方法方面取得重要进展。研究团队发展了一种基于机器学习哈密顿量的实时非绝热分子动力学方法，使固体材料中电子与原子核耦合演化的动力学过程能够得以高效描述与模拟。相关成果以“Nonadiabatic Molecular Dynamics on Real-Time Excited-State Surfaces via Machine Learning Hamiltonians”为题，于2026年8月14日发表在《Physical Review Letters》上。

光照会使材料中的电子进入激发态，并进一步带动原子运动；原子位置的变化又会反过来影响电子状态。电子与晶格之间这种持续的相互影响，是理解光催化、光电转换、超快电子器件等过程的基础。非绝热分子动力学能够同时追踪电子和原子核的运动，但在固体中直接计算多个激发态的能量、作用力和状态间耦合，计算量十分庞大。因此，传统模拟通常采用经典路径近似，让原子沿预先得到的基态轨迹运动，研究的重点在于电子在这个轨迹的运动。这一处理适合部分弱激发问题，但难以描述光激发显著改变晶格运动的过程。

在2025年发表于《Nature Communications》的前期工作中，研究团队提出了N²AMD方法，利用满足三维空间对称性的深度神经网络学习材料的电子哈密顿量，从而以较低成本获得非绝热动力学所需的电子结构信息，并实现接近杂化泛函精度的经典路径近似下的大尺度模拟。这项工作为提升固体激发态动力学模拟的效率和精度奠定了基础，也指明了进一步突破经典路径近似的方向。

在此基础上，研究团队此次进一步发展了On-the-fly N²AMD方法。该方法基于机器学习哈密顿量，利用自动微分获得哈密顿量对原子位置的导数，从而实时计算激发态能量、原子受力和非绝热耦合等关键信息。研究团队进一步提出可以将原子受力分解为基态力和激发态电子布居变化引起的实时受力修正项。其中，基态力由机器学习基态势能面提供，修正项则根据光激发及后续非绝热演化过程中电子布居的实时变化，通过机器学习哈密顿量计算得到。通过这一策略，该方法不再采用经典路径近似，实现了电子状态演化与晶格运动双向反馈的完整模拟，在兼顾第一性原理精度和计算效率的同时，使固体体系的实时非绝热分子动力学模拟成为可能。

研究团队通过多种半导体材料检验了这一方法的准确性、效率和可迁移性，并展示了三个代表性应用。在MoS₂/WS₂异质结中，新方法揭示了晶格对激发载流子的实时响应会显著影响空穴弛豫过程；在双层六方氮化硼中，模拟再现了光激发驱动的铁电极化翻转；在锐钛矿TiO₂中，研究团队进一步以杂化泛函精度追踪了空穴从离域状态逐步形成小极化子的过程。这些结果表明，该方法可以用于研究载流子弛豫、光致相变和准粒子形成等不同类型的非平衡现象。

该研究为连接静态电子结构计算与实时非平衡动力学提供了新的计算工具，有望帮助研究人员更可靠地理解材料在光照、强激发等条件下的演化，并为光电、催化、铁电和量子材料的设计提供理论支持。

复旦大学物理学系博士生张昶炜为论文第一作者，计算物质科学研究所褚维斌青年研究员和我系向红军教授为共同通讯作者。研究得到国家自然科学基金、国家重点研发计划、量子科技国家科技重大专项、上海市基础研究特区计划等项目的支持。

文章信息

Changwei Zhang, Yang Zhong, Zhi-Guo Tao, Yingzhou Li, Zhenggang Lan, Oleg V. Prezhdo, Xin-Gao Gong, Weibin Chu, and Hongjun Xiang, Nonadiabatic Molecular Dynamics on Real-Time Excited-State Surfaces via Machine Learning Hamiltonians, Physical Review Letters 137, 076905 (2026).

https://doi.org/10.1103/9wbw-h87d

图1. 实时N²AMD方法示意图。（a）传统近似将晶格运动与电子动力学相互分离，（b）实时N²AMD则恢复二者之间的实时反馈。（c）机器学习势与机器学习哈密顿量共同提供基态和激发态势能面、非绝热耦合等信息，驱动实时非绝热分子动力学模拟。