學者發布無機材料AI模型，推理能力到達新高度

松山湖材料實驗室研究員孟勝/劉淼團隊在國家自然科學基金等項目的支持下，研發了一種基于深度學習圖結構的通用預訓練力場（graph-based pre-trained transformer force field，簡稱GPTFF）。相關成果近日發表于《科學通報（英文版）》（Science Bulletin）。

物質科學的核心問題之一是理解原子間的相互作用。如果我們能建立一個原子尺度的通用力場，便可創造一個原子間相互作用的求解器，從而通過分子動力學模擬諸多物質科學問題。科學家發明的量子化學/密度泛函理論通過求解薛定諤方程造就了一個模擬物質科學的大一統方法。通過此類方法，人們可以精確求解任意化合物體系中原子間相互作用，較為完美的解決了這個問題。但是密度泛函理論需要強大的算力，僅適用于數十至數百原子體系，無法線性擴展至大體系或復雜體系。而傳統的分子動力學方法，雖然運算速度快，但是力場精度低、力場適用體系少，因此存在諸多限制。

為此，孟勝/劉淼團隊研發了一種基于深度學習圖結構的通用預訓練力場GPTFF。該模型充分利用海量數據和transformer算法的注意力機制，具備出色的精度和泛化能力，可精確預測原子間相互作用，適用于幾乎任意無機化合物的近平衡態，可用于大體系及復雜體系的分子動力學模擬。GPTFF模型支持開箱即用，用戶可跳過模型訓練步驟，直接開展化合物的結構優化、相變模擬、物質輸運等科學問題。GPTFF開發團隊已將該模型的算法、程序、模型參數開源，所有人都可下載使用。

據介紹，原子尺度的通用力場AI大模型，可廣泛支持物質物理、材料、化學等諸多領域，它也被認為是物質科學的基座模型，有望變革性地改變物質領域的計算模擬方式。我國雖然有很多類似的項目及模型，但都采用歐美的開源數據集，無法從根本上實現自主可控，更無法實現超越。

GPTFF模型的訓練數據源自自研的Atomly材料數據庫（https://atomly.net/），包含近35萬個無機材料數據，數據規模和質量位于世界頂級水準，知識產權自主可控，是我國唯一可對標歐美競品的無機材料數據庫。GPTFF的訓練數據包含3780萬個單點能量、117億個力對和3.4億個應力，數據具有高度的標準和一致性，保證了模型的高精度和強泛化能力。

此外，GPTFF能夠實現對原子間相互作用的精確預測，原子間能量、受力以及應力的預測精度分別達到MAE=32meV/原子、71 meV/?和0.365 GPa，優于美國的同類AI模型（m3gnet和CHGNET）。可用于模擬晶體結構弛豫、固態電解質中的離子疏運、金屬在應力下的相變等科學問題。

相關論文信息：https://doi.org/10.1016/j.scib.2024.08.039