我們都知道從第一性原理出發的分子動力學（Ab Initio Molecular Dynamics, AIMD）計算，需要消耗大量時間和計算資源。但另一方面，體系中每個原子的能量，可通過考察其鄰近原子的幾何位置即組態（Configuration）近似得到。因此借助機器學習的方法，輔助已有的第一性原理計算結果，有望大幅加速分子動力學計算，提高在有限計算資源內可模擬的體系的大小以及模擬的時長。
目前使用機器學習進行材料研究有兩種不同的方法
01將其用作數據挖掘工具
尋找材料結構與體系屬性之間的關系，該方法常用于大型數據庫，根據數據庫建立材料預測模型。
02根據從頭計算生成的數據建立一個機器學習平臺
用于進行大規模和長時間的分子動力學或者動力學蒙特卡羅模擬。
機器學習已經成為材料研究的有力工具，龍訊團隊推出的機器學習平臺（PWmat-MLFF）屬于上述第2種方法。用戶可登錄龍訊自有云平臺Mcloud直接使用PWmat-MLFF，也可在自己的服務器或集群上安裝。PWmat-MLFF使用了疊加Kalmann Filter的深度神經網絡(deep NN)模型和DP-torch模型，該方法可以顯著降低訓練時間，同時也可以避免神經網絡訓練中常見的模型陷入局域最小值的問題。
網址：http://www.pwmat.com/mlff
PWmat-MLFF平臺架構
?減少取樣: Energy-Decomposition
?特征豐富: 2B/3B、Cos/Gaussian、MTP、SNAP
?模型齊全：Linear、VV、 NN、 DP
?加速訓練：Kalman filter techniques
?可擴展性：Open source、user plug-in features
PWmat-MLFF亮點1
對于擴展系統，PWmat-MLFF假設系統的總能量是系統中每個原子能量的總和。我們用不同的局域原子描述符(即所謂“特征”)來描述局部原子結構，以這些特征作為回歸模型的輸入，擬合原子能量。PWmat-MLFF支持的回歸模型包括線性模型、VV模型(龍訊團隊開發的一種獨特的非線性模型)、深度神經網絡(Deep NN)模型和DP-torch模型，同時也包含大部分的常用特征，用戶可以任意地重新組合它們。
PWmat-MLFF亮點2
PWmat-MLFF另一個獨特功能是可以結合PWmat分子動力學計算中的能量分解功能，將局域的原子能量作為輸入。由于局域原子能量可以直接作為數據輸入回歸模型，這可以顯著減少訓練所需的分子動力學步數，因此可以克服機器學習需要長時間預運算來產生訓練數據這一困難。在PWmat- MLFF中，總能量、局域原子能量和原子受力均可以作為訓練輸入。與此同時，使用市面上常規第一性原理軟件的用戶也可以使用PWmat-MLFF進行訓練，但將無法使用PWmat的能量分解功能。
PWmat-MLFF亮點3
PWmat-MLFF是GNU License的開源平臺，結構靈活，用戶可以自由組合特征和訓練模型，且可以根據自身需要開發新的特征以及訓練模型。
PWmat-MLFF亮點4
PWmat-MLFF 在訓練過程中引入Kalman濾波器，加速訓練過程。在DP-torch模型中，引入Kalman濾波器使得訓練收斂的時間減少了一半。
8種特征和4種訓練模型
8種特征
一、2-Body (2b)
二、3-Body (3b)
三、2-Body Gaussian (2bgauss)
四、3-Body Cosine (3bcos)
五、Multiple Tensor Potential (MTP)
六、Spectral Neighbor Analysis Potential (SNAP)
七、DP-Chebyshev (DP1)
八、DP-Gaussian（DP2）
4種訓練模型
一、線性模型
二、非線性VV模型
三、基于Kalman濾波器的深度神經網絡（KFNN）
四、基于Kalman濾波器的DP-torch模型
應用場景
在許多特定的工業領域，PWmat-MLFF機器學習平臺有望帶來前所未有的改變。例如，對晶體結晶過程模擬的時長和體系規模，可以借助機器學習方法大幅提高，從而加深人們對結晶過程的認識；而機器學習也可以結合動能蒙特卡羅（Kinetic Monte Carlo），模擬各種表面生長過程；最后，機器學習也可應用于對電解液等溶劑體系的研究當中。
機器學習用于模擬硅由非晶態變成結晶態生長過程
機器學習用于裂紋擴展研究
機器學習用于蒙特卡羅模擬薄膜生長過程
現以銅為例，簡要展示上述模型的效果。在這一案例中，訓練數據由1646個Image（即分子動力學中一步的位置、能量、速度和受力信息）組成，而測試（Test）數據則包含687個Image。兩個數據集均由第一性原理計算得出，沒有交集。上述兩個數據集已隨源代碼一同打包。
案例展示
線性模型
通過訓練得到的模型，進行推理（Inference），將其總能量、組能量、受力結果與測試數據比較，其結果如下：
非線性VV模型
推理后與驗證數據比較得到的結果如下：
基于Kalman濾波器的深度神經網絡（KFNN）
推理后與驗證數據比較得到的結果如下：
基于Kalman濾波器的DP-torch模型（KFDP）
使用DP-torch模型，推理后與驗證數據比較得到的結果如下：
使用疊加了Kalman Filter的DP-torch模型，推理后與驗證數據比較得到的結果如下：
—E N D—
公司簡介北京龍訊曠騰科技有限公司是成立于2015年的國家高新技術企業，是國內材料計算模擬工具軟件研發創新的領導者，致力于開發滿足“工業4.0”所需的原子精度材料研發Q-CAD（quantum-computer aided design）軟件。公司自主開發的量子材料計算軟件PWmat（平面波贗勢方法并基于GPU加速）可以進行電子結構計算和從頭算分子動力學模擬，適用于晶體、缺陷體系、半導體體系、金屬體系、納米體系、量子點、團簇和分子體系等。