DefiNet预测晶体缺陷结构：毫秒级速度，近DFT精度

本文介绍了暨南大学杨梓铎博士与新加坡国立大学诺奖研究团队联合提出的一种专门用于缺陷结构预测的图神经网络模型（DefiNet）。该模型通过显式缺陷表示和缺陷感知消息传递机制，能够精准捕捉缺陷诱导的复杂相互作用并预测局部几何畸变。实验结果表明，DefiNet在单块GPU上能以毫秒级速度输出接近DFT精度的结构预测结果，并且预测的结构作为DFT弛豫初始构型时，大多数体系仅需3个离子步即可收敛到DFT基态。此外，DefiNet在点缺陷之外的线缺陷预测中也表现出良好的可扩展性和外推能力，与扫描透射电子显微镜（STEM）实验图像高度吻合。这一研究为晶体缺陷的精准调控与智能化设计提供了新思路，有望在能源、光电、催化等领域发挥重要作用。