|
第2届北京等贤机器学习分子动力学培训班第一轮通知发布日期:2025年05月24日 培训简介 长期以来,在微观世界的探索中,科学家们常面临“鱼与熊掌不可兼得”的窘境:要么追求第一性原理的极致精确而牺牲计算尺度与效率,要么依赖经验力场的速度而损失对复杂体系真实物理化学过程的深刻洞察。如今,一场由“AI for Science”驱动的变革正席卷而来,其核心利器——机器学习力场(ML-FFs)——正以“智能引擎”的姿态,彻底打破这一瓶颈。ML-FFs不仅以惊人的方式学习并复现量子力学的复杂规律,更将模拟的边界推向了前所未有的广度和深度。我们正见证着一个新时代的黎明:从原子尺度精准设计下一代能源材料、高效催化剂,到揭示生命过程中关键分子的动态奥秘,ML-FFs正以前所未有的能力赋能科学家。顶级期刊上的成果井喷,正是这一变革力量的有力证明。这不仅仅是计算工具的升级,更是科研思维与发现模式的革新。然而,驾驭这强大的“AI引擎”,需要融合量子物理的智慧、分子模拟的技艺与机器学习的精髓。 培训目标 机器学习分子动力学本次“机器学习分子动力学专题研修班”旨在帮助学员系统掌握AI4Science时代下机器学习力场的核心理论与实践技能。通过为期五天的强化学习,学员将能够: 1.快速认知:量子化学计算在ML-FF数据生产中的角色与基本操作。 2.入门和理解:机器学习的基本原理、神经网络核心概念及其在分子模拟中的应用。 3.熟练运用:LAMMPS分子动力学模拟软件进行传统模拟与ML-FF驱动的模拟。 4.精通掌握:以DeePMD-kit系列和MACE为代表的先进机器学习力场模型的理论、构建、训练与验证方法。 5.深入了解:NequIP、Allegro等具有超高数据效率的等变模型,理解其核心思想与优势,从而显著减轻高昂的数据生产成本。 6.掌握运用:机器学习力场领域的“ChatGPT”产品——开箱即用、免费开源的通用大模型(如MACE-OFF23, MACE-MP0, DPA系列)及其微调技巧。 7.实践操作:课程将附带大量相关代码与示例脚本,确保学员通过实操提升解决实际科研问题的能力。 培训授课讲师 来自全国重点大学、国家“985工程”、“211工程"重点高校,长期从事固态电解质材料的第一性原理、分子动力学模拟研究,特别是在利用计算模拟方法和机器学习相结合来加速材料筛选,性能预测等方面有深入研究。他的授课方式浅显易懂,特别擅长从简单角度出发,逐渐深入讲解复杂的理论知识和计算方法!目前共发表论文(Nature Catalysis, Nature Communications, Energy & Environmental Science, Advanced Energy Materials等)共四十余篇。曾任Joule, Journal of Materials Chemstry A等期刊审稿人。 培训内容大纲 第一天 AI4Science时代的分子模拟基石 1.理论内容 1.1 AI for Science与分子模拟新范式 1.1.1 科学研究的四范式演进:从实验、理论、计算到数据驱动 1.1.2 AI for Science (AI4Science) 时代的核心理念与机遇 1.1.3 分子动力学模拟在AI4Science中的角色:从传统经验力场、第一性原理到机器学习力场的跨越 1.2 机器学习力场(ML-FFs)概览 1.2.1 ML-FFs的核心优势:兼顾第一性原理精度与经验力场效率 1.2.2 ML-FFs的基本工作流程:数据生成、模型训练、模型验证、应用模拟 1.2.3 ML-FFs的主要分类、发展历程及关键里程碑 1.3 分子动力学(MD)模拟基础回顾 1.3.1 MD模拟基本原理:系综、积分算法、周期性边界条件、力场 1.3.2 LAMMPS模拟软件介绍:架构、安装、基本使用 1.3.3 LAMMPS输入文件(in script)结构解析:单位、原子类型、力场参数、模拟指令 1.3.4 常见传统力场(如EAM, Lennard-Jones, GAFF)简介及其参数获取 1.4 第一性原理(AIMD)数据生成引言 1.4.1 为何需要第一性原理数据:ML-FF的数据来源 1.4.2 常用量子化学计算软件简介(CP2K, VASP, ORCA):在ML-FF数据生成中的作用(概念性介绍) 1.4.3 简介XTB等半经验方法作为快速数据生成的选项 2.实操内容
第二天 深入DeePMD-kit:从理论到实践 1.理论内容 1.1 机器学习入门与神经网络基础 1.1.1 机器学习核心概念:监督学习、损失函数、梯度下降、过拟合/欠拟合 1.1.2 神经网络:神经元、激活函数、全连接层、反向传播 1.1.3 卷积神经网络(CNN)、循环神经网络(RNN)、Transformer等基本框架简介 1.2 DeePMD-kit模型详解 1.2.1 基于描述符的ML-FF回顾:Behler-Parrinello神经网络(BPNN) 1.2.2 DeePMD模型架构:特征工程(Descriptor - Smooth Edition, SE)与拟合网络 1.2.3 DeePMD的各种描述符(se_e2_a, se_e2_r, se_e3)特点与选择 1.3 DeePMD-kit模型训练与优化 1.3.1 输入脚本(input.json)详解:模型参数、训练参数、学习率策略 1.3.2 训练过程监控:loss曲线分析、模型验证 1.3.3 模型冻结(freezing)、压缩(compression)原理与应用 1.3.4 常见训练问题与调试技巧 1.4 DP-GEN:多任务、高效率主动学习数据生成 1.4.1 主动学习(Active Learning)在ML-FF中的应用 1.4.2 DP-GEN工作流程:exploration, labeling, training, selection 1.4.3 DP-GEN的输入(param.json, machine.json)与输出文件详解 2.实操内容
第三天 等变神经网络力场:NequIP与Allegro 1.理论内容 1.1 图神经网络(GNN)与分子表示 1.1.1 图的基本概念与在分子系统中的应用 1.1.2 消息传递神经网络(MPNN)框架 1.1.3 早期基于GNN的力场模型简介(如SchNet) 1.2 等变性(Equivariance)在ML-FF中的核心作用 1.2.1 不变性(Invariance)与等变性(Equivariance)辨析 1.2.2 旋转、平移、置换对称性在物理系统中的重要性 1.2.3 SO(3)/E(3)等变性对数据效率和泛化能力的提升 1.2.4 球谐函数与张量积在构建等变特征中的应用简介 1.3 NequIP模型详解 1.3.1 NequIP (E(3)-Equivariant Neural Network for Interatomic Potentials) 架构 1.3.2 核心组件:等变卷积、张量积的运用 1.3.3 NequIP的优势、局限性及代码框架 1.4 Allegro模型详解 1.4.1 NequIP团队的后续工作:Allegro的动机与改进 1.4.2 基于张量积的局部环境描述符与迭代更新 1.4.3 Allegro在计算效率和可扩展性上的提升 2.实操内容 第四天 MACE模型:精度、效率与可解释性的探索 1.理论内容 1.1 原子团簇展开(ACE)方法回顾 1.1.1 ACE作为一种系统性的、完备的原子环境描述方法 1.1.2 其与传统描述符和图方法的联系与区别 1.2 MACE (Multi-ACE) 模型详解 1.2.1 MACE模型架构:结合ACE的高阶身体项与消息传递框架 1.2.2 等变性在MACE中的实现方式 1.2.3 MACE模型的完备性、数据效率和计算效率分析 1.2.4 MACE在不同体系(有机分子、材料、生物大分子)中的应用案例 1.3 MACE模型训练与超参数调优 1.3.1 MACE训练脚本与关键超参数解读(如r_max, num_interactions, correlation order, hidden_irreps) 1.3.2 训练技巧、收敛性判断与模型验证策略 1.3.3 MACE与DeePMD在数据效率、精度、计算成本上的对比讨论 1.4 Mattersim平台与相关工具生态 1.4.1 Mattersim作为支持MACE等模型开发与应用的平台/工具集介绍 1.4.2 Libtorch在MACE与LAMMPS/其他MD引擎接口中的作用与编译 1.4.3 将训练好的MACE模型导出为TorchScript格式,以便在LAMMPS等软件中使用 2.实操内容 第五天 通用大模型、微调技巧与前沿展望 1.理论内容 1.1 ML-FF领域的预训练大模型 1.1.1 “机器学习力场领域的ChatGPT”:通用大模型的概念与意义 1.1.2 MACE-OFF23:针对有机分子体系的通用力场详解 1.1.3 MACE-MP0:覆盖元素周期表大部分元素的材料领域通用力场详解 1.1.4 DPA-1 (Deep Potential Alchemy) / DPA-2:及其在跨体系、跨元素泛化方面的努力 1.1.5 其他开源大模型简介与获取渠道(如CHGNet等) 1.2 大模型的微调(Fine-tuning)策略与技巧 1.2.1 为何需要微调:提升在特定体系或性质上的表现 1.2.2 微调的数据准备、参数设置与常见技巧 1.3 高级应用与专题 1.3.1 多GPU并行训练ML-FFs的策略与实践(DeePMD, MACE) 1.3.2 ML-FFs在复杂体系(如合金、催化、电池材料、生物大分子)中的应用案例 1.3.3 分子模拟结果的高级后处理与分析:径向分布函数(RDF)、角分布函数(ADF)、扩散系数(MSD)等 1.3.4 使用Python进行高质量科研绘图(Matplotlib, Seaborn) 1.4 ML-FFs的挑战与未来展望 1.4.1 当前ML-FFs面临的挑战:长程相互作用、反应模拟、可解释性、数据稀疏区域的泛化等 1.4.2 结合多尺度建模、强化学习、AI生成模型等方向的未来趋势 2.实操内容
课程特色及授课方式
线上授课时间和地点自由,建立专业课程群进行实时答疑解惑,理论+实操授课方式结合大量实战案例与项目演练,聚焦人工智能技术在分子动力学领域的最新研究进展,课前发送全部学习资料,课程提供全程答疑解惑;
完全贴合学员需求的课程体系设计,定期更新的前沿案例,由浅入深式讲解,课后提供无限次回放视频,免费赠送二次学习,发送全部案例资料,永不解散的课程群,可以与相同领域内的老师同学互动交流问题,让求知的路上不再孤单!
增值服务 1、凡参加人员将获得本次课程学习资料及所有案例模型文件; 2、课程结束可获得本次所学专题全部回放视频; 3、课程会定期更新前沿内容,参加本次课程的学员可免费参加一次本单位后期举办的相同专题课程(任意一期) 课程会议完毕后老师长期解疑,课程群不解散,往期会议学员对于会议质量和授课方式一致评价极高! 学员对于会议答疑给予高度评价!
授课时间
机器学习分子动力学: 2025.06.21----2025.06.25(上午9.00-11.30下午13.30-17.00) 腾讯会议 线上授课(共五天课程 提供全程视频回放) 课程费用 每人每班:4980元 往届学员的优惠:为便于往届学员获得后来历届培训里增加的大量新知识,,参加过以往任意一届北京等贤培训班的学员可享受8折优惠!报名时请主动在邮件里说明。 报名方式
联系人:陈老师 咨询电话:15652523032(微信同号)
相关事项(必读!) 1、每个学员在报名后都会提供盖有公章的邀请函。 2、若有任何问题需要咨询或沟通,请发送邮件至13169611059@qq.com。 3、郑重声明:北京等贤的培训讲义、录音以及培训中提供的一切电子资料,皆仅限学员自己学习使用,严禁私下复制、传播、盗卖,不得发布至网络上公开平台,否则必将被严厉追究法律责任、要求赔偿经济损失,情节严重的还将在网络上予以公示、向涉事者所在学校/单位进行通报。报名本培训视为认可本条款。 4、报名后允许取消报名,决定取消报名时应尽早通知我们。如果在报名后因为不可抗力而不得不取消报名,一次无妨,但如果反复出现多次在报名后又取消报名的情况(特别是到了培训快开始,我们发催款通知后才说要取消报名),将会影响信誉,导致在报名未来北京等贤的培训时降低受理的优先级,或者不再接受。如果报名后,我们尝试通过报名表中的各种联系方式联系报名者但经过数日都没有收到任何回复,本次报名将作废,且报名未来的培训时将不再受理。我们希望发来报名表的都是真心要参加培训学习知识的人,请尽量避免浪费有限的培训名额。
|

