随着计算机算力的迅速发展，通过ML-FFs实现第一性原理级别精度的大规模分子模拟研究已成为现实。机器学习方法还使人们对原本以为熟知的系统有了新的化学认知，例如小分子的非对称电子效应等现象，使研究者们能够更好地理解实验结果。由此可见，ML-FFs极有可能成为现代计算化学与分子模拟的重要组成部分。
在现代物理学、化学和材料科学领域，第一性原理计算已成为不可或缺的研究手段，用于预测和解释材料性质。这类方法不依赖于实验数据与经验参数，而是基于量子力学的基本原理，通过数值求解薛定谔方程来预测多电子相互作用系统的物理性质，从而为理解材料性质和设计新材料提供了新途径。然而，尽管第一性原理计算已成为多个学科不可或缺的重要方法，但其高昂的计算成本限制了其实际应用，计算复杂度随着体系中原子数目的增加而迅速上升，限制了其在高通量材料筛选和大尺度系统模拟中的广泛应用。
近年来，深度学习方法在各个领域取得了令人瞩目的成果，为第一性原理计算开辟了新的机遇。深度学习深度学习方法通过从海量数据中学习，利用神经网络自动发掘隐藏的规律和模式，高效建模特征表示和复杂函数关系，从而准确高效地进行预测和分析。深度学习模型可以基于有限的训练数据，创建精度接近第一性原理计算方法的近似模型，从而大幅降低计算成本。由于兼具准确性和计算效率，深度学习模型有望超越传统的第一性原理算法，显著加速第一性原理计算过程。
01
机器学习分子动力学
02
机器学习第一性原理
第一天：理论与实操并行，开启分子动力学探索之旅
第二天：深入机器学习力场模型设计理论与实操
第三天：高级课程聚焦等变模型系列与领域热点
第四天：聚焦高效/高精度等变模型与通用大模型
第四天主要聚焦高效/高精度的基于ACE的等变模型，介绍ACE方法、消息传递和等变框架的集大成者MACE模型及其在多个领域的应用，认识机器学习力场领域的ChatGPT模型及通用大模型，包括有机分子体系的通用大模型MACE-OFF23、几乎涵盖元素周期表所有元素的材料领域的通用大模型MACE-MP0以及其他大模型，介绍适用于大规模GPU并行框架的等变模型如Allegro模型和SevenNet模型。实操部分包括MACE模型和Allegro模型的超参数介绍和使用经验，MACE模型与DeePMD模型的对比，Libtorch与LAMMPS软件的编译，机器学习力场领域的ChatGPT的使用与分析，快速上手MACE-OFF23和MACE-MP0模型，对通用大模型进行微调与分析，以及DPA-1和DPA-2的介绍与特点。
课程大纲如下：
《基于机器学习的分子动力学》
1.第一天理论内容
a)诺贝尔奖的AI元年
i.AI与SCIENCE的交叉：
b)科学研究的四范式
i.从大数据时代到AI4SCIENCE时代，如GoogleDeepMind/微软研究院/MetaFAIR等著名AI团队的AI4SCIENCE工作介绍
c)AI4SCIENCE时代的分子动力学模拟
i.分子模拟基本方法与发展历史
ii.经验力场与第一性原理方法的对比与区别
iii.机器学习力场方法的兴起
e)机器学习的分子动力学的特点，分类和工作流程
f)数据集的常见收集方式与建议
2.实操内容
a)Linux系统与超算服务器的常规操
i.ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch以及vim的常见操作
b)虚拟环境(Anaconda或Mamba)的使用
i.condacreate/activate/deactivate/install/info/env等命令
c)Python的集成开发环境(IDE)的介绍与基本使用
i.Python的基本数据类型
ii.Pycharm的常见用法与代码调试，以及虚拟环境的配套
d)分子模拟软件介绍
i.LAMMPS的入门与使用
1.软件发展趋势与特点
2.大规模并行的原理：域分解算法介绍
3.输入文件的详细解析与注意事项
5.分子模拟轨迹的后处理与分析：径向分布函数与扩散系数
6.机器学习势函数在LAMMPS中的使用
ii.OpenMM的入门与使用
1.软件发展趋势与方法特点
2.运行脚本与注意事项
3.GAFF(Amber)力场的简要介绍
4.使用sobtop软件和Python快速、自动化生成任意有机分子的力场参数文件（同时也适用GROMACS）
e)量子化学计算软件的介绍与快速上手
ii.CP2K软件的介绍与快速上手：
2.安装与使用，以及赝势文件的介绍与获取
3.使用MULTIWFN软件快速生成CP2K的单点能或分子动力学模拟的输入文件
4.输入文件的字段解释与注意事项
5.使用Python实现自动化提交任务与任务后处理
6.在CP2K中使用GFN1-xTB方法，适合新手快速入门的理论方法
iii.ORCA软件的介绍与特点：
2.使用MULTIWFN软件快速生成单点能或分子动力学模拟的输入文件，以及注意事项
3.使用Python实现自动化提交任务与任务后处理
4.ωB97M-V泛函的介绍与在ORCA中的使用
iv.XTB软件的发展介绍与特点：
1.软件发展趋势与特点：发展迅猛！年被引用增长率高达87%；能够执行单点能，几何优化，分子模拟等功能
2.安装与常用命令
3.GFN系列方法的简要介绍
4.使用Python实现自动化提交任务与任务后处理
v.DFTB(简单介绍)
1.执行单点能，几何优化，分子模拟等
2.使用Python实现自动化提交任务与任务后处理
f)案例：传统力场方法与机器方法力场方法的对比
i.使用OpenMM执行有机体系的分子模拟
ii.基于机器学习力场方法，结合LAMMPS执行合金体系，锂电池体系的分子模拟
iii.使用MDtraj等软件进行模拟结果的后处理分析与Python高质量科研绘图，包括：能量与力的预测曲线，径向分布函数，键长键角二面角分布，电池电压曲线等．
3.第二天理论内容（机器学习力场的模型设计）
a)机器学习与深度学习的快速入门
i.常见概念与分类
ii.机器学习的发展历史以及通用近似理论：
1.通过交互的可视化案例，理解神经网络的通用近似理论
2.解释神经网络对GPU的依赖
iii.神经元，反向梯度下降，损失函数，过/欠拟合，残差连接等基本概念
iv.ANN,CNN,RNN,TRANSFORMER,ResNet等经典深度神经网络的基本框架的介绍与特点
vi.Pytorch与Tensorflow的发展现状
b)科学领域的机器学习模型介绍
i.AI模型在SCIENCE领域需要遵守的几个物理约束/物理对称性
ii.高效描述局部环境方法的分类与特点
1.基于核方法或深度神经网络方法
2.基于描述符或分子图方法
iii.基于描述符的机器学习力场模型
1.HDNNPs(BPNN)模型详解与发展
a)机器学习力场的开篇工作
2.有机体系的ANI模型的介绍
3.生态最好的机器学习力场模型
a)DeePMD系列工作的详解
b)DeePMD的发展和几种描述符的介绍，特点与应用
c)DeePMD的压缩原理与特点
d)DPGEN的工作原理
iv.基于图框架的机器学习力场模型
1.图神经网络、图卷积网络和消息传递神经网络的发展与理解
2.图神经网络的机器学习力场模型的经典模型
3.SchNet模型的特点与代码实现
4.基于三维空间建模的完备性与效率的几何系列模型:
a)DimeNet,SphereNet和ComENet模型的详解与比较
5.其他机器学习力场模型概述：DTNN和PhysNet等
c)实操内容
i.DeePMD的离线安装与验证测试
ii.DeePMD输入文件详解:与理论课的模型框架相对应地进行超参数设定的讲解，及使用经验
iii.DeePMD的常见功能，包括训练，重启，冻结，压缩和测试
iv.DeePMD的常见问题与训练过程的分析
v.综合使用LAMMPS和DeePMD,执行高精度的分子动力学模拟
vi.分子模拟的数据后处理与分析
vii.DPGEN软件的安装，介绍与工作流程
viii.DPGEN软件的输入和输出文件：param.json和machine.json文件的参数详解
ix.DPGEN软件跨计算分区的提交任务示例；不同量化级别方法的示例
x.DPGEN软件的常用命令与使用经验，以及不同体系收敛的参考标准
4.第三天（高级课程——等变模型系列，领域热点）
a)不变系列模型的总结
b)等变模型的概念，特点，分类和应用
c)等变的概念
d)等变模型的分类与特点
e)高阶等变模型的介绍：超高数据利用率与优秀的泛化能力
f)群的简要介绍
g)SO(3)群的简单入门与张量积
h)欧式神经网络(E3NN)的介绍与注意事项
i)高阶等变模型与传统模型，经验力场的区别
j)常见误区的提醒
k)等变机器学习力场的经典模型
i.Nat.Commun.上高被引的NequIP模型的详解和代码框架
l)实操内容
i.DeePMD软件的进阶使用与补充讲解，包括多GPU并行训练
ii.LAMMPS以多GPU并行方式运行机器学习力场模型
iii.使用Python代码快速可视化机器学习力场模型在等变与不变设计上的区别
iv.使用多种机器学习的降维方法，结合K-Means聚类，从分子模拟轨迹中以低冗余方式提取多帧结构文件。
v.NequIP模型的超参数介绍和使用
vii.使用wandb进行超参数调优与训练过程中各种信息的可视化分析
5.第四天
a)高效/高精度的基于ACE的等变模型
b)ACE方法，消息传递和等变框架的集大成者：MACE模型
c)方法的完备性，效率和系列发展
d)MACE模型在多个领域的应用
e)机器学习力场领域的ChatGPT模型
f)有机分子体系的通用大模型：MACE-OFF23
g)几乎涵盖元素周期表所有元素的材料领域的通用大模型：MACE-MP0
h)其他大模型的简要介绍
i)适用于大规模GPU并行框架的等变模型
i.消息传递模型的不足
ii.NequIP团队在Nat.Commun.上的新作－－Allegro模型的方法详解与比较
iii.SevenNet模型的介绍与比较
j)实操部分
ii.MACE模型与DeePMD模型的对比，包括精度，数据效率等
iii.Libtorch与LAMMPS软件的编译
iv.机器学习力场领域的ChatGPT的使用与分析
v.快速上手MACE-OFF23和MACE-MP0模型
vi.对通用大模型进行微调与分析
vii.DPA-1和DPA-2的介绍与特点
第一部分：第一性原理基础和Python编程
1.理论内容
(1)课程引言
①深度学习在第一性原理的应用和优势
②课程内容安排
(2)第一性原理计算介绍
①第一性原理计算的发展历程——从薛定谔方程到密度泛函理论
②密度泛函理论（DFT）——从波函数到电子密度
③常用的原子建模环境软件——ASE和pymatgen
④常用的第一性原理计算软件——VASP和GPAW
(1)Linux系统的常用命令和超算服务器的使用
①命令行终端软件——iTerm和Xshell
②ls/ll/cd/cp/mv/cat/pwd/less/tail/mkdir/touch等命令行操作
③vim文本编辑
(2)Python编程语言基础和集成开发环境(IDE)的介绍
①数据类型、函数、类和对象、模块
②Pycharm软件的使用和常见用法
(3)Python环境管理软件Anaconda的使用
①使用Conda命令创建环境、安装Python库
②使用Conda命令管理环境和环境的回溯
③Pytorch的安装和调用GPU训练模型
(4)原子建模环境软件ASE的使用
①使用ASE对体系结构进行建模，得到cif文件
②ASE和GPAW软件结合使用
(5)第一性原理计算软件GPAW的使用
①第一性原理计算软件的参数设置和结果收敛性检查
②以晶体材料为例，使用GPAW进行第一性原理计算
③体系能量、原子受力和极化等性质的计算
第二部分：深度学习在第一性原理计算中的应用—神经网络势函数（一）
1.课程内容
(1)深度学习的发展历程和优势
①人工神经网络与万能近似定理
②以ResNet为例入门深度神经网络
③常用的神经网络框架——Pytorch介绍
(2)神经网络势函数
①从高斯核回归到神经网络势函数
②神经网络势函数的基本假设——局域性假设和对称性要求
③原子结构和周围化学环境的表征
④BPNN描述符和DP深度神经网络势函数
⑤神经网络势函数作为分子动力学模拟的力场模型
(1)深度学习项目实践——ResNet残差网络用于手写数字识别
①手写数据集的准备
②训练ResNet模型
③ResNet模型的测试和评估
④熟悉Pytorch的使用
⑤熟悉使用GPU训练神经网络模型
(2)DeePMD的使用
①DeePMD的离线安装与测试
②DeePMD模型的训练和验证
③使用DeePMD模型进行高效的分子动力学模拟
④数据的处理和分析
⑤使用wandb可视化训练过程
第三部分：深度学习在第一性原理计算中的应用—神经网络势函数（二）
(1)图神经网络和MPNN消息传递神经网络
①具有不变性的消息传递神经网络
②晶体图卷积神经网络CGCNN
③消息传递神经网络的一般框架和组成
(2)SchNet和DimeNet++等不变消息传递神经网络的介绍
①SchNet和DimeNet++的特点
②DimeNet++中角度信息的引入——球谐基函数
③深入理解消息传递过程——图卷积
④图卷积和图像卷积的区别
以不变消息传递神经网络SchNet为例，介绍SchNetPack的安装和使用，包括：
①QM9数据集的准备
②使用QM9数据集训练SchNet模型
③模型对体系能量和原子受力预测精度的评估
④将SchNet模型用于分子动力学模拟
⑤原子对径向分布函数等性质的计算
第四部分：深度学习在第一性原理计算中的应用—神经网络势函数（三）
(1)具有等变性的消息传递神经网络
①等变的概念
②等变性和不变性的区别
③理解等变性——群论的初步介绍
④等变消息传递神经网络和不变等变消息传递神经网络的对比
(2)常见的等变模型——PaiNN、NequIP和Allegro模型
①PaiNN——通过距离矩阵实现等变性
②NequIP和Allegro——通过不可约表示实现等变性
(1)高精度、轻量化的PaiNN等变神经网络
①PaiNN模型代码的详解
②PaiNN模型的训练和使用
③SchNet和PaiNN模型的对比——精度
④切身体会不变性和等变性消息传递神经网络的区别
(2)NequIP模型的安装和使用，以及NatureCommunications顶刊论文结果复现
①NequIP软件包的安装
②超参数的设置和介绍
③复现NatureCommunications论文结果
第五部分：深度学习在第一性原理计算中的应用——高阶内容
(1)在神经网络势函数模型中加入长程相互作用
①使用神经网络预测离子电荷
②基于离子电荷计算长程相互作用
(2)利用神经网络对密度泛函理论哈密顿量进行建模
①DeepH方法
②深度学习密度泛函微扰理论（DFPT）方法
(3)课程进阶：通用原子体系大模型——MACE框架
①原子簇展开（ACE）方法
②MACE：MPNN和ACE方法的结合
(1)Allegro模型的安装和使用以及NatureCommunications顶刊论文结果复现
①Allegro代码框架详解
②Allegro软件的安装和使用
③Allegro和LAMMPS分子动力学软件结合使用
④NatureCommunications论文结果复现，
(2)声子谱的计算
①使用Phonopy软件计算固体材料的声子谱
②使用深度学习势函数加速声子谱的计算
免费赠送录播课程（可以滑动查看）
一、机器学习材料
二、深度学习材料
三、材料基因组
四、CP2K专题
机器学习材料
第一天
理论内容
1.机器学习概述
2.材料与化学中的常见机器学习方法
3.应用前沿
实操内容
Python基础
1.开发环境搭建
2.变量和数据类型
3.列表
4.if语句
5.字典
6.For和while循环
Python基础（续）
1.函数
2.类和对象
3.模块
Python科学数据处理
1.NumPy
2.Pandas
3.Matplotlib
第二天
1.线性回归
1.1线性回归的原理
1.2线性回归的应用
2.逻辑回归
2.1原理
2.2使用方法
3.K近邻方法（KNN）
3.1KNN分类原理
3.2KNN分类应用
4.神经网络方法的原理
4.1神经网络原理
4.2神经网络分类
4.3神经网络回归
1.线性回归方法的实现与初步应用（包括L1和L2正则项的使用方法）
2.逻辑回归的实现与初步应用
3.KNN方法的实现与初步应用
4.神经网络实现
项目实操
1.利用机器学习设计高体积模量高熵合金
2.训练机器学习模型预测多孔材料的催化性能
这两个实操项目同时穿插讲解如下内容
A1机器学习材料与化学应用的典型步骤
A1.1数据采集和清洗
A1.2特征选择和模型选择
A1.3模型训练和测试
A1.4模型性能评估和优化
第三天
1．决策树
1.1决策树的原理
1.2决策树分类
2．集成学习方法
2.1集成学习原理
2.2随机森林
2.3Bosting方法
3．朴素贝叶斯概率
3.1原理解析
3.2模型应用
4.支持向量机
4.1分类原理
4.2核函数
1.决策树的实现和应用
2.随机森林的实现和应用
3.朴素贝叶斯的实现和应用
4.支持向量机的实现和应用
1.使用实验数据训练机器学习模型预测金属有机框架材料中的气体吸附
2.通过机器学习方法筛选新型四元半导体化合物
A1模型性能的评估方法
A1.1交叉验证：评估估计器的性能
A1.2分类性能评估
A1.3回归性能评估
第四天
1.无监督学习
2.1什么是无监督学习
2.2无监督算法——聚类
2.3无监督算法——降维
2.材料与化学数据的特征工程
2.1分子结构表示
2.2独热编码
3.数据库
3.1材料数据库介绍
3.2Pymatgen介绍
1.分子结构的表示与特征提取
2.聚类、降维等无监督学习方法应用于分子特征处理
1.在机器学习技术的指导下加速钙钛矿材料的发现
2.机器学习对CO2封存的解释和预测
第五天
１.基于分子特征和逻辑回归预测分子性质
2.基于分子特征的无监督学习综合应用
1.通过机器学习预测NiCoFe氧化物催化剂的活性
2.利用基于成分的能源材料描述符进行机器学习模型的综合预测
学习目标
深度学习材料
第一天上午
1.材料数据库：介绍MaterialProject,OQMD,AFLOW等数据库的特点和使用方法。
2.深度学习入门：基础概念，包括神经网络、激活函数、损失函数等。
3.图神经网络：图神经网络的基本原理和在材料科学中的应用。
4.材料特征工程：如何从材料数据中提取有用的特征。
Pytorch深度学习框架演练：安装和配置Pytorch，基础的神经网络模型构建和训练。
第一天下午
1.Pymatgen介绍及结构文件生成
2.Pymatgen构建机器学习特征：
3.ASE（AtomicSimulationEnvironment）的使用
4.爬虫获取二维数据集
5.材料结构分析与可视化
第二天上午
1.AFLOW数据库的数据获取
1.1AFLOW数据库功能练习
1.2.爬虫获取AFLOW数据库的数据
2.OQMD数据库
2.1OQMD数据库功能练习
2.2OQMD数据库的数据获取
第二天下午
1.materialproject数据库
1.1新版materialproject获取材料XRD、DOS图、能带图、吸收谱等数据
1.2Pymatgen按照属性要求获取materialproject材料数据
2.材料特征工程工具matminer演练
2.1matminer获取材料数据集
2.2matminer生成材料描述符演练
第三天上午
卷积神经网络（CNN）基础
卷积层、池化层、卷积核、特征图
经典的CNN架构，如LeNet、AlexNet、VGGNet、GoogLeNet和ResNet
循环神经网络（RNN）基础
实操和演示内容
基于CNN方法训练扫描电镜图像对锂离子阴极成分及状态的预测
基于RNN和CNN辅助识别有序结构
第三天下午
基于数据驱动的功能材料开发案例二（晶体图神经网络实现材料属性预测）：
1.用PYG搭建图神经网络（GCN、GAT）
2.晶体图神经网络CGCNN模型代码原理
3.利用晶体图神经网络实现材料属性预测
第四天上午
长短期记忆网络、门控网络的架构与原理
输入门、遗忘门、输出门
自注意力机制、多头注意力机制、位置编码、残差连接、编码器和解码器
Transformer
基于LSTM、GRU的分子生成模型
Transformer用于聚合物性质预测
第四天下午
理论内容（约1小时）
自回归模型、自编码器、序列生成模型
变分自编码器（VAE）基础
生成对抗网络（GAN）基础
实操内容（约2小时）：
GAN模型的构建
训练GAN进行材料属性预测
GAN在材料设计中的案例研究
自编码器和变分自编码器的训练
变分自编码器在材料设计中的应用
培训目标
1.学习MaterialProject，AFLOW，OQMD三大材料数据库的数据获取方法。
2.学习卷积神经网络、循环神经网络和晶体图神经网络等深度学习方法在材料预测方面的应用。
3.学习主流材料数据库的数据获取方法；
4.深度学习方法在材料预测方面的应用。
部分案例图片
材料基因组
Python讲解与实操
理论内容：
1.材料基因组概述
2.材料基因组的基本方法
3.材料数据库materialproject,OPMD,AFLOW
实操内容：
4.Python科学数据处理
5.NumPy
6.Pandas
7.Matplotlib
材料基因组与数据库
1.Scikit-learn机器学习操作入门（约1小时）
2.AFLOW数据库
2.1AFLOW数据库功能练习
2.2.AFLOW数据库的数据获取
1.OQMD数据库
1.1OQMD数据库功能练习
1.2OQMD数据库的数据获取
2.materialproject数据库
2.1Pymatgen练习
2.2Pymatgen获取materialproject材料数据
结构数据驱动的高通量计算
实操和演示内容：
基于结构数据驱动的高通量计算：
1.pymatgen大批量结构获取
2.基于pymatgen的计算文件生成
3.大批量计算结果的获取与统计
案例一：基于数据驱动的功能材料开发（合金材料）
1.背景介绍
2.数据获取
3.构建特征
4.机器学习
5.讨论与评测
穿插常见机器学习算法的介绍
基于数据驱动的多个功能材料开发案例实操
案例二：基于数据驱动的功能材料开发（半导体材料）
穿插材料特征工程的介绍
案例三：基于数据驱动的功能材料开发（钙钛矿材料）
CP2K专题
CP2K与量子力学
1.CP2K框架
2.DFT（密度泛函理论）基础
3.CP2K的核心：GAPW（Gaussian-augmentedplanewaveapproach）介绍
4.CP2K的input
QM（量子力学）计算实操内容-1
1.基组文件和势场文件选取
2.分子体系单点能计算
3.分子结构优化
4.分子结构和电子结构的可视化
1.分子动力学模拟介绍
2.周期性边界条件
3.MD模拟系综
4.势函数
MM（分子力学）计算实操内容-1
1.溶剂体系的构造与可视化
2.L-J势场的参数设置
3.利用L-J势场对溶剂体系的模拟
4.分子动力学模拟分析（径向分布函数RDF，均方位移MSD，模拟退火…）
量子力学实操
1.周期性体系
2.平面波与倒空间
3.DOS（态密度）知识基础
4.能带知识基础
QM（量子力学）计算实操内容-2
1.晶体结构的获取与可视化
2.晶体结构的单点能和结构优化
3.ＤＯＳ计算和分析
4.能带计算和分析
CP2K、GROMACS和力场类型介绍
MM（分子力学）计算实操内容-2：
1.CP2K、GROMACS计算MD详解
2.热浴、退火计算与分析
3.VMD可视化轨迹与分析
4.Gromacs对轨迹进行后处理分析
5.自由能势能面的模拟
1.晶体表面和晶面指数
2.过渡态理论介绍
QM（量子力学）计算实操内容-3
1.晶体表面的构造与可视化
2.晶体表面的结构优化
3.晶体表面的分子吸附与成键状态分析
4.NEB方法计算离子迁移路径
1.AIMD（从头计算分子动力学）的基本知识和应用
2.自由能势能面介绍
AIMD（从头计算分子动力学）计算实操内容
1.Cu颗粒熔化过程的MD模拟
2.Cu颗粒在CO2中结构演变的MD模拟
3.催化剂作用下N2分解的二维自由能曲面计算
QM+MM
元动力学（metadynamics）介绍
QM（量子力学）计算实操内容-4
1.metadynamics方法的关键参数设置
2.metadynamics方法计算分子解离过程
3.锂离子电池电极材料锂离子迁移过渡态的计算
1.QM/MM理论介绍
2.QM/MM在不同体系的应用
QM/MM计算实操内容-2
1.一般的溶剂化蛋白的处理流程
2.蛋白晶体的准备
3.结构的能量最小化
4.对体系的预平衡
5.无限制的分子动力学模拟
6.RMSD、RMSF、能量变化及蛋白的回旋半径分析
QM+AIMD
1.TDDFT计算激发态的介绍
2.振动熵和零点能的计算
QM（量子力学）计算实操内容-5
1.分子激发态的计算和结果分析
2.电化学催化ORR（氧还原反应）过程的计算矫正和台阶图绘制
1.不同体系下AIMD建模
2.CP2K电子结构与MD
文献案例分析实操内容
1.AIMD研究Au/TiO2对CO的催化机理
2.利用DFT和AIMD研究N5H对CO2的催化机理
讲师介绍
机器学习分子动力学专题
主讲老师来自国内高校胡老师授课，已发表SCI论文近20余篇，研究方向为基于机器学习的分子动力学模拟，包括构建高效、高精度的AI分子力场模型，采用主动学习或大模型的知识蒸馏方法来获取高质量训练数据集，开发基于C++的高性能的多GPU并行的LAMMPS的插件。熟知各种AI模型DeePMD,SchNet,DimeNet,SphereNet,DPA2和等变系列模型的Nequip,MACE,Allegro等，精通所有量子化学软件！
机器学习第一性原理专题
2024.12.21-----2024.12.22（上午09:00-11:30下午13:30-17:00）
2024.12.28-----2024.12.29（上午09:00-11:30下午13:30-17:00）
2024.12.23-----2024.12.26（晚上19:00-22:00）
2024.12.30-----2024.12.31（晚上19:00-22:00）
2025.01.04-----2025.01.05（上午09:00-11:30下午13:30-17:00）
培训费用
机器学习分子动力学机器学习第一性原理
公费价：每人每个课程￥4980元（含报名费、培训费、资料费）
自费价：每人每个课程￥4680元（含报名费、培训费、资料费）
优惠福利：
福利一：同时报名两个课程￥9680元报二赠一（含报名费、培训费、资料费）
免费参加一年课程价格：16680元（含报名费、培训费、资料费）
福利二：现在报名一门赠送一门往期课程回放
报名两门赠送四门往期回放
回放课程包括：
1.机器学习在材料领域的应用专题
2.深度学习辅助材料设计
3.
4.
优惠三：提前报名缴费学员可得300元优惠（仅限前15名）
培训特色及福利
1、课程特色--全面的课程技术应用、原理流程、实例联系全贯穿
2、学习模式--理论知识与上机操作相结合，让零基础学员快速熟练掌握3、课程服务答疑--主讲老师将为您实际工作中遇到的问题提供专业解答