“大数据+人工智能”正在形成计算物质科学领域的新研究范式。本报告将重点介绍我们开发的用于加速第一性原理电子结构计算的机器学习模型，主要包括：(1) 机器学习势函数：我们开发了可以同时考虑自旋-晶格耦合和自旋-轨道耦合的磁性体系机器学习势函数；开发了可以精确考虑电场效应的介电材料机器学习势函数；（2）电子哈密顿量预测：我们开发了基于 E(3)等变图神经网络的 HamGNN 模型，该模型严格保持物理系统固有的对称性，能够精确拟合分子和固体的电子哈密顿矩阵，并在多种系统上展示出卓越的迁移性能和泛化能力；基于 Materials Project 中晶体结构的第一性原理计算数据，我们开发了第一个通用电子哈密顿量 AI 模型，该模型能够预测几乎整个周期表范围内的电子结构，包括复杂的多元素系统、固态电解质、莫尔扭曲异质结构和金属有机框架；通过将自旋轨道耦合(SOC)哈密顿量分解为自旋无关项和 SOC 修正项，实现了对多样复杂系统中自旋轨道耦合效应的精确建模；（3）电子密度矩阵预测：我们提出利用 AI 模型预测局域密度矩阵和能量密度矩阵，进而高效准确计算能量、偶极矩等物理性质的高效方法（已获专利授权）。

这些 AI 方法已集成到我们自主开发的材料性质分析与模拟软件包PASP 中，并建立了全球首个基于 AI 的大型电子结构库和在线预测开放平台(https://sci-ai.cn)。