摘要aiida-tbmodels 是 AiiDA 生态中用于处理紧束缚Tight-BindingTB模型数据的插件包它把 TB 模型参数、哈密顿量、能带与态密度等计算结果纳入 AiiDA 的可追溯数据图谱。本文系统梳理该包的核心功能、安装步骤、数据节点语法与参数含义并通过 16 个由浅入深的实际案例演示建模、计算、查询与复用流程最后总结常见错误与使用注意事项。一、aiida-tbmodels 是什么AiiDA 是一个面向计算材料科学的可追溯工作流框架它通过「数据节点Data Node」和「计算节点CalcJob / WorkChain」记录每一次计算的输入、输出与代码环境从而保证结果可复现、可查询、可共享。aiida-tbmodels 则是 AiiDA 插件体系中的一个领域扩展包专注于紧束缚模型这一类轻量级电子结构方法。与基于第一性原理的 DFT 计算相比紧束缚模型以原子轨道为基组用少量参数描述电子在格点之间的跃迁与在位能量计算成本极低适合处理大体系、做参数扫描、构建机器学习训练集或作为理解能带拓扑与化学成键的直观工具。aiida-tbmodels 的价值在于把这些「参数化模型」变成 AiiDA 图谱中一等公民的数据对象让模型参数、结构、计算结果之间形成可查询的关联。二、核心功能概览2.1 数据节点封装该包提供了一组自定义的 AiiDA 数据节点用于存储紧束缚模型所需的各类信息典型包括模型参数节点保存跃迁积分、在位能量、轨道类型、自旋极化设置等。结构节点复用 AiiDA 内置的StructureData描述晶格、原子位置与周期性边界。结果节点保存能带、态密度、本征值、占据数等输出数组。2.2 计算插件与工作流包内通常包含若干CalcJob与WorkChain实现把外部紧束缚求解器如基于 Python 的 TB 求解脚本、Wannier90 接口或自定义哈密顿量构造器包装成 AiiDA 可调度的计算过程并自动解析输出文件为结构化数据。2.3 查询与复用借助 AiiDA 的 QueryBuilder用户可以按模型参数、结构化学式、计算状态等条件检索历史计算快速复用已有参数集避免重复劳动。三、安装与环境准备3.1 前置条件Python 3.8 及以上版本建议 3.9 或 3.10。已安装并初始化 AiiDA 核心aiida-core且verdi status显示 profile、daemon、数据库均正常。建议使用虚拟环境venv 或 conda隔离依赖。3.2 安装步骤# 创建并激活虚拟环境 python -m venv aiida-env source aiida-env/bin/activate 安装 AiiDA 核心 pip install aiida-core 安装 aiida-tbmodels pip install aiida-tbmodels 注册插件入口点 verdi plugin list aiida.data | grep tbmodels verdi plugin list aiida.calculations | grep tbmodels3.3 验证安装python -c import aiida_tbmodels; print(aiida_tbmodels.__version__) verdi status若插件列表中出现tbmodels.*相关条目说明安装成功。若未出现通常是入口点未刷新可尝试重新安装pip install --force-reinstall aiida-tbmodels。四、核心语法与参数说明4.1 导入与基础对象from aiida import load_profile from aiida.orm import StructureData, Dict, List from aiida_tbmodels.data import TbModelData load_profile()4.2 模型参数节点模型参数通常以字典形式组织常见键值如下参数名类型含义orbitalslist[str]每个格点的轨道标签如[s]、[p_x,p_y,p_z]onsite_energieslist[float]各轨道在位能量单位 eVhoppingsdict跃迁积分键为 (i, j, R) 形式spinstrNone、up、down或polarizedlatticelist[list[float]]3×3 晶格矢量矩阵单位 Åpositionslist[list[float]]分数坐标下的原子位置4.3 构造与存储params { orbitals: [s], onsite_energies: [0.0], hoppings: {(0, 0, (1, 0, 0)): -2.7}, spin: None, lattice: [[3.16, 0.0, 0.0], [0.0, 3.16, 0.0], [0.0, 0.0, 3.16]], positions: [[0.0, 0.0, 0.0]], } model TbModelData(params) model.store() print(model.pk)4.4 运行计算from aiida.engine import run from aiida.plugins import CalculationFactory TbCalculation CalculationFactory(tbmodels.band) inputs { model: model, kpoints: List(list[[0.0, 0.0, 0.0], [0.5, 0.0, 0.0]]), metadata: {options: {resources: {num_machines: 1}}}, } results run(TbCalculation, **inputs) print(results[bands].get_array(eigenvalues))五、16 个实际应用案例案例 1一维单轨道链的能带最简模型一维链最近邻跃迁 t -2.7 eV。构造模型后沿 Γ–X 路径取 50 个 k 点得到余弦型色散验证插件链路是否打通。params { orbitals: [s], onsite_energies: [0.0], hoppings: {(0, 0, (1, 0, 0)): -2.7}, lattice: [[3.0, 0.0, 0.0], [0.0, 10.0, 0.0], [0.0, 0.0, 10.0]], positions: [[0.0, 0.0, 0.0]], } model TbModelData(params); model.store()案例 2二维方格晶格的紧束缚能带在 x、y 两个方向同时设置最近邻跃迁得到E(k) -2t(cos kx cos ky)的经典结果可用于教学演示与代码回归测试。案例 3石墨烯蜂窝晶格的狄拉克锥用两个子晶格 A、B 与最近邻跃迁构造蜂窝模型沿 Γ–K–M 路径计算能带观察 K 点处的线性交叉验证模型对拓扑特征的描述能力。案例 4多轨道模型与在位能量劈裂为同一格点设置 s、p 多轨道并给出不同的在位能量观察轨道劈裂对能带的影响演示orbitals与onsite_energies的配合使用。案例 5自旋极化计算设置spinpolarized分别给出自旋向上与向下的跃迁参数输出两套本征值用于研究自旋分裂与磁性趋势。案例 6参数扫描与批量提交from aiida.engine import submit for t in [-1.0, -2.0, -2.7, -3.5]: p dict(params); p[hoppings] {(0, 0, (1, 0, 0)): t} m TbModelData(p); m.store() submit(TbCalculation, modelm, kpointskpoints)通过循环批量提交把不同跃迁强度下的能带结果统一存入图谱便于后续对比。案例 7态密度计算在布里渊区均匀撒点统计本征值分布并做高斯展宽得到态密度曲线用于判断带隙与范霍夫奇点位置。案例 8带隙自动提取从能带结果中读取价带顶与导带底计算最小直接带隙与间接带隙并把结果写入Dict节点供后续筛选使用。案例 9与 AiiDA 结构节点联动从StructureData读取晶格与原子位置自动生成模型参数避免手工输入坐标导致的不一致。案例 10查询历史计算并复用参数from aiida.orm import QueryBuilder qb QueryBuilder() qb.append(TbModelData, filters{attributes.spin: polarized}) for (node,) in qb.iterall(): print(node.pk, node.get_description())案例 11工作流串联——模型构建到能带分析把「参数生成 → 能带计算 → 带隙提取」封装为WorkChain一次提交完成全流程并在失败时自动重试。案例 12导出数据用于机器学习训练集批量导出结构、模型参数与能带特征为 JSON 或 NumPy 数组构建「结构—电子结构」配对数据集用于代理模型训练。案例 13与 Wannier90 结果对照把第一性原理拟合得到的 Wannier 跃迁参数导入模型节点与解析紧束缚结果对比检验拟合质量。案例 14缺陷或掺杂的近似处理通过修改特定格点的在位能量模拟掺杂效应快速评估能带移动趋势为后续 DFT 计算提供初筛。案例 15可视化与结果导出把能带数组导出为 CSV配合 Matplotlib 绘制能带图也可将结果节点挂到 AiiDA 的 provenance 图谱中在浏览器中查看依赖关系。案例 16可复现性验证与归档使用verdi archive create打包整个计算图谱在另一台机器上导入后重跑验证结果一致完成科研数据的归档与共享。六、常见错误与排查错误现象可能原因解决办法ModuleNotFoundError: aiida_tbmodels未安装或虚拟环境不一致确认pip list中存在该包检查 Python 解释器路径插件未注册入口点缓存未刷新重新安装包或执行verdi plugin list检查ProfileNotLoaded未调用load_profile()在脚本开头加载 profile节点未存储即使用忘记调用.store()所有数据节点在使用前必须存储k 点格式错误传入的是元组而非列表统一使用List(list...)包装跃迁键格式不匹配键顺序或类型不一致严格使用(i, j, (Rx, Ry, Rz))元组计算长时间挂起daemon 未启动或资源不足执行verdi daemon start检查 metadata.options七、使用注意事项单位统一能量统一使用 eV长度统一使用 Å避免混用导致结果偏差。版本锁定AiiDA 与插件版本需匹配建议在requirements.txt中固定版本号。参数可追溯尽量把模型参数存为独立节点而非硬编码在脚本中保证 provenance 完整。k 点收敛测试态密度与带隙对 k 点密度敏感正式计算前应做收敛性检查。数据备份定期使用verdi archive备份 profile防止数据库损坏导致数据丢失。文档优先插件 API 可能随版本演进使用前查阅对应版本的官方文档与示例仓库。八、总结aiida-tbmodels 把紧束缚模型这一轻量级方法接入了 AiiDA 的可追溯体系使参数化模型也能像第一性原理计算一样被记录、查询与复用。掌握其数据节点结构、参数含义与计算流程后可以快速构建从模型搭建、批量扫描到结果分析的完整链路为教学演示、方法预筛和机器学习数据集构建提供高效支撑。《AI提示工程必知必会》为读者提供了丰富的AI提示工程知识与实战技能主要包括各类提示词的应用如问答式、指令式、状态类、建议式、安全类和感谢类提示词以及如何通过实战演练掌握提示词的使用技巧使用提示词进行文本摘要、改写重述、语法纠错、机器翻译等语言处理任务以及在数据挖掘、程序开发等领域的应用AI在绘画创作上的应用百度文心一言和阿里通义大模型这两大智能平台的特性与功能以及市场调研中提示词的实战应用。通过阅读《AI提示工程必知必会》读者可掌握如何有效利用AI提示工程提升工作效率创新工作流程并在职场中脱颖而出。
