基础理论方法研究
简介及概览
基础理论方法方面，我们主要关注基于机器学习的跨尺度体系模拟，进一步推动“AI for Science”（科学智能）新型科研范式在多种微观尺度模拟领域的发展。
以分子动力学模拟为例，我们开发了Deep Potential Molecular Dynamics (DeePMD) 等一系列方法和工具。通过机器学习拟合基于第一性原理产生的数据，DeePMD实现了分子动力学精度和效率的极大统一。
团队进一步基于“AI+Physics+HPC”的模式，于2020年在高性能计算机器上实现了亿级原子的分子动力学模拟，并因此获得了2020年高性能计算领域的诺贝尔奖——戈登贝尔奖（Gordon Bell Prize）。
DeePMD现已成为理论化学、计算物理、分子生物学、材料科学等领域的热门研究方法，基于DeePMD发表的相关工作已超百篇。
更进一步，为了使得势能函数的训练更为便捷、极大节省数据生产中的计算资源，近期，团队和合作者基于DeePMD，提出了新的模型结构DPA-1，采用注意力机制，大幅提高了模型的容量和迁移能力。
更进一步，为了使得势能函数的训练更为便捷、极大节省数据生产中的计算资源，近期，团队和合作者基于DeePMD，提出了新的模型结构DPA-1，采用注意力机制，大幅提高了模型的容量和迁移能力。
基于DPA-1，研究人员进一步在超大规模数据集上进行了训练，获得了覆盖元素周期表近70种元素的大型预训练模型，适用于大多数常见应用体系。研究人员通过可视化模型元素信息，发现其在空间呈螺旋状分布，并且巧妙地和元素周期表中位置一一对应，这也证明了此预训练模型的可解释性。
研究人员在合金、半导体、固态电解质等多种材料体系上证明了预训练模型的优越性，使用少量数据便能在新场景中获得很好的模型精度，从而大幅降低训练所需数据量、显著减少建模开销。
更多功能比如多任务训练、蒸馏加速、模型压缩等也正在开发中，极大加速势能函数生产，探索实践更多高效新范式，从而拓展更多应用方向、推动领域发展。
以此为契机，团队和合作者还发起了“科学智能广场（AIS Square）项目，此项目为全球科学智能研究人员提供了一个开源、开放、共享的数据、软件、模型、工作流的共创平台，将作为领域重要的基础设施，推动建立更加开源开放的生态，加速领域内原始创新速度。这里将成为新型科研范式驱动下的新一代工业软件诞生的摇篮。
关于我们
重要研究方向
大事记
开源社区
核心团队
加入我们
联系我们
地址：北京市海淀区成府路150号
邮箱 : cooperation@bjaisi.com
