AUG 6, 2025

推进机器学习（ML） 力场在材料科学中的应用

机器学习（ML） 力场（MLFFs），也称为机器学习（ML） 原子间势能，已成为对各类化学体系进行高性价比原子级模拟的关键工具，通常仅需极少计算成本即可达到密度泛函理论（DFT ）的精度。 近期在消息传递网络方面的进展，消除了早期MLFFs因受限于可建模的独特原子元素数量而存在的缺陷。此外，通过电荷平衡方法纳入原子电荷和静电作用，不仅能够准确表征多种电荷态、离子体系及电子响应特性，同时还能借助显式长程相互作用进一步提高计算精度。

在本场网络研讨会中，我们将介绍Schrödinger的尖端MLFF架构——即“带迭代电荷平衡的消息传递网络”（MPNICE），该架构集成了显式静电模型以实现精确的电荷表征。 我们将展示一系列预训练模型，这些模型基于涵盖整个元素周期表（89种元素）的材料进行训练。MPNICE 优先考虑高效的吞吐量，在不牺牲精度的前提下，实现了以往无法达到的空间和时间尺度的原子级模拟。我们将概述Schrödinger 套件中集成了 MLFF 的可用工具，这些工具可支持进行更大规模、更复杂的材料设计模拟，并贯穿始终提供与行业相关的实例。

重点内容：

• MPNICE 概述——一种消息传递型 MLFF 架构，既包含原子部分电荷和长程相互作用，又保持了比同类模型快一个数量级的运行速度
• MPNICE近期应用的亮点，包括用于满足行业相关需求的通用有机、无机及混合（有机与无机）模型