国产第一性原理材料研发软件领跑者：机器学习在分子动力学中的应用

详细信息

作者优秀: 优秀教师/意见领袖/博士学历/特邀专家/独家讲师
平台推荐: 主编推荐

2年前浏览4614

导读：近日中国第一性原理计算软件开发团队领跑者—龙讯旷腾正式认证仿真秀平台官方机构账号，将在仿真秀平台带来计算材料学、分子动力学、电化学和公司自主开发的量子材料计算软件PWmat视频教程和训练营。6月16日14时，龙讯旷腾金牌讲师王礼钧老师将在仿真秀平台首次公开直播《机器学习在分子动力学中应用》详情见后文。

一、写在文前

在近期上架的《计算材料学——设计实践方法（第2版）》教材中，多次提到PWmat的算例和优势。龙讯首席科学家汪林望博士为教材作序，从权威角度阐明行业面临的机遇与挑战；PWmat计算实践案例入选教材方**章节，并提供对比参数，完善了行业数据；在教材推荐实操软件目录中，收录了PWmat相关介绍，以权威教材背书的方式推荐给全国高等院校储备人才使用；PWmat的多项优势被教材认可，呈现在第一性原理新发展一章，多维度详述PWmat关键技术对行业起到的标杆作用。

PWmat入选普通高等学校本科及研究生教材

由“高等教育出版社”出版发行了《计算材料学——设计与实践方法（第1版）》于2010年2月发行，已广泛应用于各大高等院校教学实践工作，作为本科生和研究生相关课程的专用教材，备受教师生好评。

二、机器学习在分子动力学应用公开课

龙讯首席科学家汪林望博士指出：近年来，机器学习方法在材料科学中得到了广泛的应用。它不仅可以通过数据挖掘找到结构——属性之间的关系，还可以用于开发基于第一性原理的机器学习力场（machine learning force field，ML-FF）。这种ML-FF有可能在传统的经典力场和第一性原理计算之间架起一座桥梁。传统的经典力场计算速率快，可用于超大型系统（如数亿个原子），但通常不太精确，然而很多问题并不存在对应的力场。另一方面，虽然第一性原理计算是准确的，并且适用于大多数问题，但是它仅限于大约1000个原子的体系，而ML-FF利用DFT生成的数据，自动训练给定问题的特定力场，这既保证了DFT的精度，又保证了传统经典力场的速率和尺度。因此，我认为ML-FF是未来材料科学计算模拟发展中最有前途的领域之一。

汪林望博士

我们都知道从第一性原理出发的分子动力学（Ab Initio Molecular Dynamics, AIMD）计算，需要消耗大量时间和计算资源。但另一方面，体系中每个原子的能量，可通过考察其邻近原子的几何位置即组态（Configuration）近似得到。因此借助机器学习的方法，辅助已有的第一性原理计算结果，有望大幅加速分子动力学计算，提高在有限计算资源内可模拟的体系的大小以及模拟的时长。

2022年6月16日14时，仿真秀平台认证机构龙讯旷腾-中国第一性原理计算软件开发团队领跑者，在仿真秀官网和App首播《机器学习在分子动力学中的应用》，报名后支持反复回看。

以下是直播安排（欢迎分享扩散）

希望能为材料科学、物理、化学等相关专业学生及高校教师、实验组人员；还有生物制药、半导体、新能源、高分子等相关领域的科研工作者；以及人工智能、工业设计、材料研发、药物结构等相关领域的开发人员带来一堂干货满满的讲座。

三、走近龙讯旷腾

北京龙讯旷腾科技有限公司是成立于2015年的国家高新技术企业，是国内材料计算模拟工具软件研发创新的领导者，致力于开发满足“工业4.0”所需的原子精度材料研发Q-CAD（quantum-computer aided design）软件。公司自主开发的量子材料计算软件PWmat（平面波赝势方法并基于GPU加速）可以进行电子结构计算和从头算分子动力学模拟，适用于晶体、缺陷体系、半导体体系、金属体系、纳米体系、量子点、团簇和分子体系等。

1、PWmat—MLFF亮点优势

亮点一：对于扩展系统，PWmat-MLFF假设系统的总能量是系统中每个原子能量的总和。我们用不同的局域原子描述符(即所谓“特征”)来描述局部原子结构，以这些特征作为回归模型的输入，拟合原子能量。PWmat-MLFF支持的回归模型包括线性模型、VV模型(龙讯团队开发的一种独特的非线性模型)、深度神经网络(Deep NN)模型和DP-torch模型，同时也包含大部分的常用特征，用户可以任意地重新组合它们

亮点二：PWmat-MLFF另一个独特功能是可以结合PWmat分子动力学计算中的能量分解功能，将局域的原子能量作为输入。由于局域原子能量可以直接作为数据输入回归模型，这可以显著减少训练所需的分子动力学步数，因此可以克服机器学习需要长时间预运算来产生训练数据这一困难。在PWmat- MLFF中，总能量、局域原子能量和原子受力均可以作为训练输入。与此同时，使用市面上常规第一性原理软件的用户也可以使用PWmat-MLFF进行训练，但将无法使用PWmat的能量分解功能。

亮点三：PWmat-MLFF是GNU License的开源平台，结构灵活，用户可以自由组合特征和训练模型，且可以根据自身需要开发新的特征以及训练模型。

亮点四：PWmat-MLFF 在训练过程中引入Kalman滤波器，加速训练过程。在DP-torch模型中，引入Kalman滤波器使得训练收敛的时间减少了一半。

2、应用场景

在许多特定的工业领域，PWmat-MLFF机器学习平台有望带来前所未有的改变。例如，对晶体结晶过程模拟的时长和体系规模，可以借助机器学习方法大幅提高，从而加深人们对结晶过程的认识；而机器学习也可以结合动能蒙特卡罗（Kinetic Monte Carlo），模拟各种表面生长过程；最后，机器学习也可应用于对电解液等溶剂体系的研究当中。