近日，上海大学材料基因组工程研究院张统一院士、任伟教授团队在计算材料与材料人工智能交叉研究方向取得新进展。相关研究论文“Phonon Density of States Prediction fromthe PhononTransformer”已被Nature Portfolio旗下计算材料学领域国际学术期刊《npj Computational Materials》接收。上海大学材料基因组工程研究院硕士研究生徐尚为论文第一作者，张统一院士、任伟教授为共同通讯作者，上海大学为第一完成单位。
声子态密度是表征晶体材料晶格振动与热力学性质的重要物理量，与材料热容、振动熵、热输运以及动力学稳定性密切相关。在材料设计和高通量筛选中，快速获得可靠的声子态密度对于判断材料稳定性和评估热学性质具有重要意义。然而，传统实验测量和基于密度泛函理论的声子计算通常成本高、周期长、速度慢，面对复杂晶胞、多组分体系和大规模材料数据库时，难以满足快速筛选和高效预测的需求。
针对上述问题，研究团队提出了PhononTransformer模型。该模型从晶体结构出发，将原子间的距离和方向等几何信息引入Transformer注意力机制，在周期性边界条件下计算原子间的几何关系，通过径向基函数和球谐函数对原子间距离和方向进行编码，再融入注意力计算之中，从而增强模型对晶体三维周期结构、局域几何环境和原子相互作用的表征能力。
PhononTransformer模型架构示意图
研究团队基于JARVIS-DFT和PhononDB公开数据库构建了超过24000条声子态密度数据，覆盖86种元素。测试结果表明，PhononTransformer能够有效捕捉声子态密度曲线的峰位、带宽和整体谱形；在与Mat2Spec、E3NN、GATGNN和M3GNet等代表性深度学习预测模型的对比中，PhononTransformer在多项预测指标上表现突出。该模型在单卡NVIDIA Tesla V10032GGPU上对单个材料的平均推理时间低于30毫秒，显著提升了声子态密度预测效率，为大规模材料数据库的快速智能筛选提供了新的技术路径。
PhononTransformer在不同精度上的结果与DFT计算结果对比
此外，研究团队还将PhononTransformer应用于NaXO₂系列稀土化合物的声子态密度预测，进一步验证了模型在复杂多组分晶体体系中的泛化能力。该研究为材料声子性质快速预测提供了一种高效的计算框架，有望服务于材料动力学稳定性评估、热功能材料设计和新材料高通量发现。
该研究得到国家自然科学基金、上海市科学技术委员会相关项目，以及上海大学高性能计算中心、上海市科学与工程计算技术服务中心等支持。
论文链接：https://www.nature.com/articles/s41524-026-02199-3