机器学习线上报告|7.3：基于深度学习的分子动力学模拟（王涵）&电子结构模型（张林峰）本文转载自公众号：机器学习与科学应用 机器学习联合研讨计划 本联合研讨计划旨在为国内优秀学生和青年教授，整合国内外优质的教学和科研资源，创造全球顶级的学习和科研环境及科研平台。现阶段主要邀请国内外在机器学习领域最活跃的研究人员系统介绍机器学习研究的最新进展和最前沿的科学问题。 组织委员会：鄂维南，董彬，高卫国，黄忠亿，王涵，许志钦，杨周旺，张林峰。 01 ★ 报告信息 ★ 时间：2021年7月3号 9：30-11：30 会议 tencent 链接： https://meeting.tencent.com/s/wbVuCH3XjZ7X 会议 tencent ID：599977176 会议 tencent 密码：105344 会议直播间： https://live.bilibili.com/23072727 02 ★ 会议概要 ★ 报告人：王涵 题目：基于深度学习的分子动力学模拟 摘要：分子动力学模拟需要对原子间相互作用（势函数）有一个精确的描述，然而人们面临两难困境：第一性原理方法精确但昂贵，经验势方法快速但精度有限。我们在报告中从两个方面讨论了解决办法：势函数构造和数据生成。在势函数构造方面，我们介绍深度势能方法，这是一个对第一性原理势函数的精确表示。在数据生成方面，我们介绍同步学习方法DP-GEN。这个方法能自动生成满足特定精度要求的最小训练数据集。相比于经验势，DP-GEN开启了通过探索构型和化学空间持续改进深度势能的可能性。在报告的最后部分，我们介绍深度势能方法针对CPU+GPU异构超级计算机的优化实现。这个实现在超级计算机顶点（Summit）上达到了双精度91P的峰值性能，在一天内能够完成纳秒量级的第一性原理精度分子动力学模拟，快于之前基线水平1000倍以上。在我们的工作中，物理模型、深度学习和高性能计算的结合为重大科学发现提供了有力模拟工具。 报告人：张林峰 题目：DeePKS: a machine learning assisted electronic structure model 摘要：We introduce a general machine learning-based framework for building an accurate and widely-applicable energy functional within the framework of generalized Kohn-Sham density functional theory. In particular, we develop a way of training self-consistent models that are capable of taking large datasets from different systems and different kinds of labels. We demonstrate that the functional that results from this training procedure, with the efficiency of cheap density functional models, gives chemically accurate predictions on energy, force, dipole, and electron density for a large class of molecules. 链接：https://c2sml.cn/training.html |