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
- 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
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。
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。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。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。![](https://public.fangzhenxiu.com/fixComment/commentContent/imgs/1655312455139_jluxn2.jpg?imageView2/0)
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。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。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。
![](https://public.fangzhenxiu.com/fixComment/commentContent/imgs/1655312455750_nhlffv.jpg?imageView2/0)
机器学习用于模拟硅由非晶态变成结晶态生长过程
机器学习用于裂纹扩展研究
![](https://public.fangzhenxiu.com/fixComment/commentContent/imgs/1655312410365_rpv6sy.jpg?imageView2/0)
机器学习用于蒙特卡罗模拟薄膜生长过程
作者:直播小助手
声明:本文首发仿真秀App,部分图片和内容转自龙讯旷腾,如有不当请联系我们,欢迎分享,禁止私自转载,转载请联系我们。 获赞 9743粉丝 21142文章 3406课程 216