UniHam: A Large-Scale SOC-Complete Dataset and Benchmark for Hamiltonian Learning in Materials

准确预测电子哈密顿量可实现广泛性质推断，同时避免密度泛函理论（DFT）的高计算成本。然而，通用型材料基础模型的发展受限于数据瓶颈：现有哈密顿量数据集通常较小，缺乏结构多样性，且常遗漏关键相对论物理如自旋-轨道耦合（SOC）。因此，我们构建了UniHam，一个大规模哈密顿量数据集和基准套件，包含100,000+个DFT计算的复数值Hermitian哈密顿量，涵盖72元素和广泛晶体几何结构（涵盖多样晶格类型和空间群家族）。