AI for Science如何助力材料研发？这八位资深专家给出了答案

江俊|中国科学技术大学化学物理系教授

随着物质科学研究深入复杂体系，结构与性质的演化复杂度陡增，传统研究范式下的数学映射关系逐渐变得模糊。人工智能技术擅长从数据中探索变量之间的高维关联，为底层规则清晰而变量复杂的科学问题提供求解思路。中国科技大学化学物理系教授江俊老师团队通过发展机器学习与量子化学计算结合的理论方法，一方面挖掘与谱学观测相关的化学描述符，利用机器学习在保持量子化学精度的前提下大幅度提升光谱计算的效率，实现蛋白质分子光谱、催化剂表面分子光谱的高效模拟；另一方面借助机器学习破解复杂系统的谱学规则，推演光谱响应、化学结构、物化性质之间的数学关系乃至理论规律，为具备“科学思维”的机器化学家提供数据支撑、智能软件和系统基础。

3、结合机器学习方法的国产开源密度泛函理论软件ABACUS介绍

陈默涵|北京大学工学院研究员

在原子尺度模拟工具中，密度泛函理论方法是一种较好的平衡了精度和效率的方法，并且已经广泛应用于物理、化学、材料等多学科领域。近年来，机器学习方法已经逐渐深入科学计算领域，在此背景下，建立一套适用于机器学习框架的密度泛函理论程序有利于推动新算法的实现和应用。

然而解决这个问题面临诸多挑战，一个典型的挑战是DFT软件算法庞杂，需要有组织的科研合作才能够完成。另一个挑战是DFT计算交换关联泛函近似上的精度和效率两难。

国产开源DFT软件ABACUS，对用户和开发者友好，支持平面波基组和数值原子轨道基组，其中数值原子轨道具备比拟平面波基组的高精度和千原子大尺度计算效率优势，近年来多篇使用ABACUS计算的材料研究工作发表与Science Advances等期刊上。由AI辅助交换关联泛函方法DeePKS+ABACUS克服DFT计算在精度和效率两难的问题，实现PBE效率的杂化泛函精度计算。

上述软件都已加入DeepModeling开源社区，可实现ABACUS+DeePKS+DPMD高效训练高第一性原理精度势函数生成。依托DeepModeling社区发展的ABACUS等软件期待能够用机器学习方法建立更精确更高效的多尺度建模方法；建设国内基础科学计算软件平台，促进交流，形成算法软件开发良好生态。

4、机器学习力场应用于锂金属负极生长机理研究

郑家新 | 北京大学新材料学院（深圳）副教授（PI），深圳屹艮科技有限公司首席科学家

金属锂是下一代二次电池的理想负极材料。然而，锂枝晶生长存在安全隐患，同时也导致锂金属电池的库仑效率下降，严重制约了锂二次电池的商业应用。目前，人们对锂的沉积（生长）机制在原子尺度上还了解甚少，同时对锂枝晶的成因也众说纷纭。北京大学新材料学院副教授，深圳屹艮科技有限公司首席科学家郑家新老师团队通过机器学习构建了具有第一性原理计算精度的金属锂势场实现了金属锂的沉积生长模拟。通过该势场的分子动力学模拟，发现金属锂存在两种自修复现象：表面修复与体相修复，并通过实验证明了这两种现象的存在。通过不同温度与沉积速率的模拟，发现了3种不同的枝晶形貌：针型、蘑菇型以及半球型。同时还指出高的流动性与低的局域电流密度方差是触发金属锂自修复的关键。铜集流体是锂电池中最常用的集流体之一，为了探究不同铜集流体表面对锂枝晶的影响，郑老师团队进一步开发了锂铜界面的机器学习势场，用以模拟锂在不同铜表面上的沉积行为，发现锂原子在不同铜表面上具有不同的动力学特性。这些工作加深了对锂枝晶生长机理的认识，对实验具有很好的指导意义和启发性。

5、Accurate and Efficient Molecular Dynamics based on Machine Learning and Non Von Neumann Architecture

刘杰 | 湖南大学教授

分子动力学（molecular dynamics, MD）是用于原子尺度研究的强大工具。然而，现有的MD方法存在精度和速度上无法兼顾的问题。近年来，DP团队提出基于深度学习势的分子动力学（DPMD），从软件层面进行优化，在保证了DFT级别精度的前提下，大幅提高计算速度。然而，DPMD仍比CMD慢1-2个数量级。因而，研发出兼具高精度、高速度的MD方法，一直是学术界追求的目标。

目前，几乎所有的MD都运行在传统的冯·诺依曼架构芯片上（ 如CPU和GPU）。在冯·诺依曼架构中，处理器和存储器是分离的，导致计算的绝大部分时间和功耗消耗在频繁的数据搬运上，造成了“存储墙”和“功耗墙”瓶颈。这严重制约了MD性能的提升。

湖南大学刘杰教授团队提出基于新型非冯·诺依曼架构的分子动力学方法（non von-Neumann molecular dynamics，NVNMD），在硬件层面进行优化，以达到高速度，高精度和通用性的目标。在NVNMD中，计算最耗时的势能面推理部署到存算一体芯片上（如FPGA），来缓解“存储墙”和“功耗墙”瓶颈，以保证高速度；势能面模型由DP模型修改得到，以保证高精度。势能面推理之外的功能部署在CPU上，以保证通用性。使用NVNMD的方法，在多个原子体系进行验证，得到了DFT级别的高精度，CMD级别的高速度，以及提升2-3个数量级的高能效。

6、深度学习势在磁性材料中的开发与作用

徐贲 | 中国工程物理研究院研究生院副研究员

利用深度学习方法，结合高精度的第一性原理磁性约束方法DeltaSpin，中国工程物理研究院研究生院副研究员徐贲老师团队开发了磁性材料中的原子作用势。该势函数不仅能准确地描述任意晶体及磁性构型的能量，更首次得到了无调参的磁性及晶格耦合能量模型，能量精度达到0.1meV。该方法不仅在应用场景上实现了从单一体系（晶格或者磁性）到耦合体系（晶格和磁性）的突破，而且精度比国际上现有单一磁性体系的机器学习模型高出一到两个数量级。与此同时，该势函数还能够准确描述磁性对原子受力的影响以及原子位移对磁矩上磁扭矩的影响，其精度分别达到0.01eV/Å，磁扭矩 0.01eV/μB。这一模型为磁性材料的研究打开了一扇大门，补齐了其计算方法拼图中缺失的原子尺度方法。不仅能帮助深化理解传统磁性材料，实现其产业升级，而且能够助力多铁材料、量子自旋液体、铁基超导等前沿科学的进一步发展。

7、极端条件材料特性

戴佳钰 | 国防科技大学物理系教授

强激光和冲击波等诱导高温高压、电子激发等极端条件，面临动态过程中的时间、空间、温度、密度以及结构多维度耦合的科学挑战。尤其重要的是实际应用中材料特性由其多尺度结构决定，理论上需要建立从电子结构出发的大尺度长时间研究方法。机器学习提供了从微观结构出发理解其多尺度科学本质的机会。国防科技大学物理系教授戴佳钰老师团队利用深度学习方法描述极端条件下电子结构、原子结构的动力学演化，给出激光、冲击压缩等过程中的结构相变、超快非绝热动力学等新现象，为极端条件材料研究提供了新的途径。

8、深度势能助力材料研究

戴付志 | 北京科学智能研究院研究员，深势科技高级研究员

来自北京科学智能研究院的戴付志研究员作了以《DPMD在材料研究中的应用之机理探索》为题的报告。报告中以有机-无机杂化钙钛矿和耐热镁合金为例介绍了DPMD方法在探索材料微观机理方面的应用，以及其相比传统的DFT方法和MD方法的优势。在FAPbI3杂化钙钛矿体系研究中，DPMD方法准确复现了其多晶型转变，并首次揭示了低温γ相中分子-晶格耦合所产生的纳米尺度多畴结构。在耐热镁合金的研究中，DPMD方法揭示了Li元素对Mg-Sn合金析出相形核的促进作用，并通过对成分的进一步优化使得合金高温抗蠕变性能得到了显著提升。报告还从应用者的视角提出了对DPMD的四高需求：高精度、高效率、高扩展性和高适用性，真正实现DFT和MD方法优点的融合，让DPMD由机理探索工具逐渐转变为材料设计工具。基于这样的四高需求，呼吁应用研究人员一起投身到DP-LIB的建设中，为新的DP模型发展提供广泛的数据支持。