Machine Learning and Artificial Intelligence Seminar——预训练模型时代下的分子与材料设计新框架

摘要：

我们将在人工智能发展的大背景下，回顾与展望分子与材料模拟的三个发展阶段：阶段一的关键词是量子与经典模拟的精度效率不可兼得；阶段二的关键词是量子力学生产数据、机器学习模型做拟合及大规模模拟；当下我们正在经历阶段二与三的转变，即随着数据的规模化积累，正在形成预训练-微调的新框架，这将极大程度地打开下游应用的新空间，特别是针对结构搜索、构象生成等的设计类任务。在此基础上，我们围绕Uni-Mol[1]与DPA-1[2]这两个走向阶段三的项目群，介绍相应应用案例、相关开源软件[3-4]，以及云计算平台Bohrium[5]。

[1] "Uni-mol: A universal 3d molecular representation learning framework." (ICLR 2023).

[2] "DPA-1: Pretraining of Attention-based Deep Potential Model for Molecular Simulation." arXiv:2208.08236

[3] https://github.com/dptech-corp/Uni-Mol

[4] https://github.com/deepmodeling/deepmd-kit

[5] https://bohrium.dp.tech/

主讲人简介：

张林峰，深势科技创始⼈&⾸席科学家，北京科学智能研究院 (AI for Science Institute, Beijing) 研究员，北京大学理学学士，普林斯顿大学应用数学博士。林峰长期致力于AI for Science跨学科领域的问题研究，在机器学习、计算物理化学、材料与药物设计等领域成果丰富。林峰带领团队发展了Deep Potential、Reinforced Dynamics等建模和采样算法、DeePMD-kit等开源软件、Uni-fold蛋白结构预测工具以及AI for Science领域最大的开源社区DeepModeling，领导社区基础设施建设、项目协同开发和运营工作。2020年，林峰作为核心开发者的工作获得高性能计算领域最高奖ACM戈登贝尔奖，该成果也入选了由两院院士评选的2020年度中国十大科技进展。