首页
机器学习驱动的物质模拟方法发展及其应用
报告简介：
以密度泛函理论（DFT）为代表的第一性原理计算方法，在物质科学的多个领域被广泛使用，推动了计算模拟的迅速发展。然而，由于第一性原理计算本身的计算成本高，此类方法通常受限于较小的空间与时间尺度，难以满足对复杂材料体系进行大规模、长时间模拟的需求。与此同时，数据驱动的材料研究正蓬勃发展。2024 年诺贝尔物理学奖与化学奖的相继颁布更象征着 AI 时代 的正式到来，也为第一性原理计算及物质模拟带来了前所未有的历史性机遇。
在本报告中，我将简要介绍我们课题组自主开发或参与开发的多个机器学习驱动的物质模拟方法，包括基于机器学习与图论的晶体结构搜索方法 MAGUS，高精度消息传递型机器学习力场 HotPP，以及机器学习加速的分子动力学引擎 GPUMD 等。这些方法以神经网络势能面替代复杂的密度泛函理论计算，在保持接近第一性原理精度的同时，将计算效率提升了多个数量级，从而突破了传统量子力学计算在时间和空间尺度上的限制，使得开展大规模、高保真度的物质模拟成为可能。基于以上方法，我还将介绍它们在多个研究方向中的典型应用，包括行星内部物质的性质预测、新材料的预言，以及材料相变路径的动力学模拟等。更进一步的，我也将介绍我们最近发展的机器学习哈密顿量方法，以及一些潜在的应用。
报告人简介：
孙建
南京大学物理学院和固体微结构物理全国重点实验室教授，博士生导师，国家基金委杰出青年基金项目（2021）和重大项目（2024）获得者。研究方向为：计算凝聚态与高压物理、材料设计、行星深部物质等。
发展了若干计算模拟新方法，包括晶体结构预测新方法（MAGUS）、机器学习力场（HotPP）和机器学习分子动力学软件（GPUMD）；预言了多个新材料，若干被实验证实；预言了若干系统在高温高压下的超离子态、塑晶态等新奇物态。已发表学术论文 130 余篇，第一或通讯作者论文 100 余篇，包括重要期刊（Nat.Phys./Nat. Commun. /PRL/PRX/PNAS/JACS）论文 20 余篇。曾获 2011年中国国家自然科学二等奖（第五完成人）、2013 年“国家海外高层次青年人才”、2014 年国际高压领域青年科学家奖（Valkenburg奖）等。担任高压物理、计算材料学、高压化学等专委会委员、《物理学进展》副主编、MRE 和《高压物理学报》编委。详情请见：https://sun.nju.edu.cn。
