周智伟｜高效学习原子间势的深度学习模型

受美国海军研究署资助，哈佛大学、麻省理工学院、罗伯特博世研究与技术中心等合作，提出了神经等变原子间势模型（NequIP），用于从分子动力学模拟的数据中学习原子间势。

分子动力学模拟广泛用于能源、催化、生物等领域的化学分子设计。然而常用的密度泛函理论等方法受计算量限制，不能用于大量原子、长时间尺度的模拟。而原子势能模型虽然可以降低计算量，但受限于近似条件，不能准确预测原子间势。利用机器学习算法可以平衡计算效率和模型精度，但缺少足够的训练数据。为此，研究人员提出高效学习原子间势数据的NequIP模型。该模型将几何张量的E(3)等方差卷积引入深度学习模型，从而获得了优异的精度与数据学习效率。与现有方法相比，该模型能以更高的精度预测小分子、不同相的水分子、无定形固体、固/气界面、锂超离子导体的原子间势。同时，模型能从少于1000个甚至100个第一性原理计算的数据集中学习准确的原子间势，较主流模型少最多3个量级。

这种模型降低了对原子间势训练数据集的要求，可广泛用于计算化学、物理学、生物学和材料科学的研究，加速对复杂反应和相变的分子动力学模拟速度。