首個原子間勢函數預訓練模型DPA-1發布 勢能函數生產真正進入新范式

近日，AI for Science領域最大的開源社區DeepModeling舉辦了2022年社區年會。會上，北京科學智能研究院（AI for Science Institute,Beijing）聯合深勢科技，發布了首個覆蓋元素周期表近70種元素的深度勢能原子間勢函數預訓練模型—— DPA-1。該成果由北京科學智能研究院、深勢科技、北京應用物理與計算數學研究所共同研發。

DPA-1被譽為自然科學界的GPT。2020年，DPA-1雛形曾與預訓練語言模型GPT-3共同入選了世界人工智能十大重要成果。DPA-1可模擬原子規模高至100億，目前已經在高性能合金、半導體材料設計等應用場景中證明了其領先性和優越性。這一突破也是AI for Science走向大規模工程化的重要里程碑。

早在2020年，北京科學智能研究院與深勢科技團隊通過將機器學習與高性能計算相結合，實現了1億原子第一性原理精度的分子動力學模擬，獲當年全球高性能計算領域最高獎項“戈登·貝爾”獎。此次發布的 DPA-1，在原有基礎上進一步優化高性能算法，將模擬上限提升至100億原子數量級。

研究人員還通過可視化模型元素信息，發現其在空間呈螺旋狀分布，并且巧妙地和元素周期表中位置一一對應，元素周期表中同周期元素沿著螺旋下降方向排列，而垂直螺旋方向則對應著同一主族元素分布，這也證明了此預訓練模型具有良好的可解釋性。

對于從事材料設計研究的科研人員，可基于DPA-1快速構建高精度、方便易用的原子間勢函數模型，利用人工智能技術進行分子模擬，設計創新材料，洞見研究方向，減少不必要的實驗，大幅度縮短研發周期，降低研發成本。

近些年來，隨著科學界對AI for Science 研究范式的認可和實踐，微觀科學計算領域實現了大量的數據積累和模型探索，這為領域預訓練模型構建提供了誕生基礎。DPA-1利用注意力機制等構造，大幅提高了模型遷移能力和元素容量，使用少量數據即可獲得高精度模型，顯著減少建模開銷。就像Bert的出現徹底改變了自然語言處理領域，這一預訓練大模型的誕生意味著勢能函數的生產也真正進入“預訓練+少量數據微調”的新范式。

據悉，此成果已經貢獻在 DeepModeling 開源社區，并在科學智能廣場正式公開。北京科學智能研究院與深勢科技希望基于此和全球各界人士推動建立更加開源開放的科研生態，加速領域內原始創新的速度。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞：