一块光伏板，怎样把太阳光变成电能？这背后离不开光电效应中电子的运动与能量传递。这类微观层面的电子行为，深刻影响着光伏、激光加工、催化、芯片制造等诸多领域的技术效能。为研发效率更高的光伏材料，就有必要“跟踪电子”。不同于为每个电子描绘一条确定的运动轨迹，“跟踪电子”是要描述电子密度如何随时间变化，从而判断电子在哪里聚集、如何转移，以及何时发生散射。然而在强激光、电子碰撞等特殊场景下，只观察电子当下状态，会丢失重要的演化信息。

为此，中国科学院自动化研究所磐石团队采用人工智能方法，提出了一种面向非绝热含时密度泛函理论动力学的三头神经网络模型，结合哈密顿一致的动力学结构与可学习的密度历史记忆，在预测电子运动的同时，重构传统绝热近似难以描述的时间依赖交换-关联势。这项工作突破了传统绝热近似仅依据当前电子密度构造交换-关联势的局限，为破解强激光驱动和电子碰撞中复杂电子演化难以准确建模这一长期难题迈出了关键一步。

从“当前快照”转向“演化历史”

在精确计算大量电子的运动过程时，计算难度会随着电子数量急剧飙升。含时密度泛函理论以电子密度为核心变量，并引入由非相互作用电子组成的辅助Kohn–Sham系统，以复现真实多电子体系的密度演化，大幅降低了电子动力学模拟的运算负担。

这一框架的关键，是如何构造交换-关联势，其负责将辅助系统中没有显式描述的复杂多体效应纳入计算。精确交换-关联势不仅取决于当前密度，还依赖此前的密度演化和系统的初始状态；常用绝热近似只利用当前密度，相当于用一张静态照片推断整段运动过程。

这种简化算法在遇到强激光冲击这类远离平衡态的场景时，容易漏掉交换‑关联势随时间变化产生的关键信号。同时，电子轨道的演化本身自带固定的几何运动规律，如果完全依靠黑箱神经网络模型预测电子运动，可能在持续传播中出现轨迹偏移、产生不符合物理事实的虚假波动；但将模型严格限制在单一哈密顿形式中，又很难刻画离散计算误差以及非绝热效应带来的复杂动态变化。

如何在保留物理结构的同时引入时间记忆？

针对上述难题，磐石团队设计了三个相互配合的模型分支。

第一，哈密顿动力学分支，从Kohn–Sham轨道中学习标量能量函数，再通过固定的辛结构得到相空间动力学，为模型提供符合哈密顿几何的物理骨架；第二，直接向量场分支，不受标量能量形式的严格限制，负责补充有限模型容量、数值离散以及非绝热效应带来的残余动力学；第三，记忆交换-关联势分支，负责读取连续的电子密度序列，通过循环神经网络将过去的密度演化压缩到有限维记忆状态中。

三个分支并非简单拼接。轨道传播为记忆分支提供密度历史，交换-关联势的学习也会反过来改善动力学表示，三者在联合训练中形成相互支撑的整体。

图1.三头神经网络总体架构

在电子散射中恢复非绝热结构，迈向长时强场模拟

磐石团队采用一维双电子的电子-氢散射模型进行验证。结果表明，相较于传统绝热近似与对照模型，三头神经网络模型误差大幅降低，能够精准复现散射过程中被传统方法丢失的交换‑关联势峰值与台阶等关键非绝热结构。即便采用未参与训练的初始条件，模型依然具备良好的泛化能力，证明其学到了通用的电子演化规律，而非单条运动轨迹。

图2.交换-关联势中的峰值和台阶结构

在此基础上，团队进一步开展长时强场驱动下氦原子 Rabi 振荡测试，检验模型对长时间演化历史信息的捕捉能力。面对快慢差异悬殊的双重时间尺度，该模型重构交换‑关联势的误差相比绝热基线下降一个数量级以上，可以持续跟踪动态台阶的位置和正负变化。对比实验证实，传统绝热方法产生误差的根源，正是忽略了电子密度的演化历史。

图3.Rabi振荡在慢Rabi周期和快光学周期上关联势重构

面向更广泛非绝热过程的应用前景

本研究通过电子散射、强场Rabi振荡两类典型场景，验证了不同电子入射条件和激光参数下的非绝热动力学。放眼未来，这项 AI 模拟技术有着广阔的落地空间。

在电子显微成像、芯片刻蚀和激光加工等技术中，这类方法有望模拟不同参数下的电子散射、气体激发和材料吸能过程，进而高效筛选电子束能量、等离子体条件和激光参数，为提高显微成像质量、芯片刻蚀精度和激光加工效率提供支持。

在光伏材料设计中，这类方法有望模拟不同材料组成、界面结构和光照条件下电子与空穴的分离、跨界面转移和复合过程，识别有利于电荷分离、减少复合损失的材料方案，从而提高候选材料筛选和界面结构优化的效率。

同时，模型在不同入射条件、激光场强和频率下表现出的插值能力，也为使用同一模型比较不同实验条件下的电子动力学提供了可能，为后续探索更多复杂、远离平衡态的微观动力学问题开辟了一条高效的新路径。

论文信息：Wang, Likun, Zhou, Jianing, Li, Linjing, and Zeng, Daniel Dajun.“A Three-Head Hamiltonian-Consistent Neural Network for Nonadiabatic Time-Dependent Density Functional Theory Dynamics.” Machine Learning: Science and Technology forthcoming.