数据驱动计算和理论材料设计国际研讨会（DCTMD2024）由上海大学 (SHU) 和德国弗里茨·哈伯研究所 NOMAD 实验室联合举办，拟定于2024年10月9-13日在上海开展。研讨会旨在探讨人工智能对材料科学日益显著的影响，为研究数据驱动的人工智能方法及其在计算和实验材料设计中应用的科学家和研究人员提供一个交流的平台，共同解锁“材料科学的人工智能未来”。作为 AI for Science 科研新范式的践行者和标杆企业，深势科技受邀于10月13日开展为期一天的以“AI辅助的材料研究：从DeePMD到DPA-2”为主题的线下培训，探讨材料领域和人工智能的深度交叉融合，促进材料科学的发展。

本次培训将回顾 DeePMD 系列方法和软件的历史和最新进展，对材料计算中的机器学习势函数展开概述，介绍深度势能模型（Deep Potential, DP）的基本原理和 DeePMD-kit、DP-GEN 等软件的参数设置和使用流程，并进行上机实战。此外还将展示深度势能模型在材料领域的应用案例，以及 OpenLAM 大原子模型的前沿进展。本次培训由 Bohrium® 科研云平台提供技术支持。

深势科技创始人、首席科学家张林峰博士将作为特邀演讲嘉宾，在 DCTMD2024 研讨会中进行主题报告。

嘉宾介绍：

张林峰，深势科技创始人兼首席科学家，北京科学智能研究院（AI for Science Institute, Beijing）院长。张林峰先后获得北京大学理学学士及普林斯顿大学应用数学博士学位。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，发表于《自然 Nature》《美国科学院院刊 PNAS》《物理评论快报 PRL》《国家科学评论 NSR》《先进功能材料 ADFM》等学术顶刊，以及 APS March、AlChE、ACM/IEEE Supercomputing、NeurIPS、ICLR 等学术和AI顶会，并登上斯坦福大学发布的“全球前2%科学家名录 ”。张林峰作为核心开发者，领导开发了深度势能 DeePMD 、DeePKS 、DeePWF、DeePCG 等一系列微尺度仿真算法及相应开源软件。2020年，DeePMD 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 。

作为深势科技的创始人兼首席科学家，张林峰带领团队与协作者共同发展了 Reinforced Dynamics /Uni-Mol /Uni-Fold /Uni-RNA /Uni-Dock /Uni-FEP /Uni-MOF /Uni-SMART /XtalNet 等算法和预训练大模型。此外，张林峰着力参与和推动 AI for Science 领域最大的开源社区 DeepModeling 的发展和壮大，领导社区基础设施建设、项目协同开发等。其中，OpenLAM 大原子模型计划诚邀到了全球数十个高校共建，并包括多位诺奖得主、中美两院院士、顶尖技术专家组成顾问团。

培训时间：

2024年10月13日 09:30-16:30

培训地点：

上海（线下培训）

培训日程：

培训软件简介

• DeePMD 系列软件

深度势能（Deep potentials，简称DP）是机器学习势函数的一种，于2017年首次提出，已被广泛应用于不同的材料体系。DP 已在最先进的超级计算机上以性原理的精度应用于超过1亿个原子的 MD 模拟，并获得了2020年高性能计算的戈登贝尔奖，相关成果入选当年中国十大科技进展，充分体现了物理建模、机器学习和高性能计算的相互集成和融合。

在过去的几年时间内，DP 系列模型已被应用到了各种不同的材料体系中，包括（1）单质体系；（2）多元体系；（3）水相关体系；（4）分子体系和团簇；（5）表面和低维体系。将DP应用于材料领域已经产生一系列的科研成果，目前已在 Nature，Science，PRL，PNAS，Science advance 等学术期刊发表。

DPA 模型

DPA 是由 DeepModeling 社区发布的覆盖元素周期表近70种元素的深度势能原子间势函数预训练模型，是基于 DP 系列模型的一次全面升级。DPA-1 模型利用关键的门控注意力机制（Gated Attention Machanism），对原子间的相互作用实现了更为充分的建模，通过在现有数据上的训练，能够学习到更多隐藏的原子交互信息，极大提升了模型在包含不同构象、不同组分的数据集之间的迁移能力，可模拟原子规模高至100亿，是 AI for Science 走向大规模工程化的重要里程碑。

DPA-1在56元素数据集上训练之后，对元素参数的降维可视化，与元素周期表一一对应

2023年底，深度势能团队在 DPA-1 的基础上成功发布了 DPA-2。相比于 DPA-1，DPA-2 在模型架构显著更新的同时，最大的特点在于采用了多任务训练的策略，从而可以同时学习计算设置不同、标签类型不同的各类数据集。由此产生的模型在下游任务上显示出极强的 few-shot 乃至 zero-shot 迁移的能力，显著超越过去的方案。目前用于训练 DPA-2 模型的数据集已覆盖了半导体、钙钛矿、合金、表面催化、正极材料、固态电解质、有机分子等多类体系。

DPA-2 模型结构相比其他模型的精度对比

（batchsize=1, 1 million steps）

1. DCTMD2024 研讨会注册方式

扫描下方二维码或复制下方网址进行会议注册。

注册网址：

https://dctmd2024.scievent.com/registration.html

会议重要日期：

线上注册开放：2024年3月28日

早鸟注册截止：2024年7月1日

摘要提交开始：2024年5月1日

摘要提交截止：2024年9月15日

2. 培训报名方式

扫描下方二维码或复制链接，进入本次培训的 Bohrium® 课程详情页，点击报名填写问卷。

报名链接：

https://dwz.cn/l0N81nfW

培训注意事项：

• 本次培训为线下培训，如果您注册参加 DCTMD2024 会议，可免费参加线下培训。

• 由于现场空间限制，培训有参加人数上限。优先考虑已注册参加 DCTMD2024 会议的人员。

• 本次培训将使用英语进行，所有培训相关材料也将是英文的。

• 报名信息提交后，会务组人员将通过邮件与您取得联系。

您可以通过如下方式与我们取得联系：

• 邮件：deepmodeling@deepmodeling.com

• DP小助手微信：13366508631