第一性原理、分子动力学与机器学习三者的交汇融合已在相关研究领域展现强劲的研究热潮。借助第一性原理计算揭示材料内在的量子特性，并结合分子动力学模拟探究材料在实际环境下的动态行为；运用机器学习算法与上述方法结合，开发高性能预测模型与模拟工具，能有效缩短研发周期，降低计算成本，实现对新型化合物性质的高精度预测。
“第一性原理+分子动力学+机器学习”三位一体的综合手段，已经成为模拟计算的一个前沿方向，为解决传统计算化学方法面临的挑战提供了新的解决方案。国内外已有科研团队在深化第一性原理与分子动力学的研究与应用拓展，利用机器学习优化大规模计算、快速筛选潜在功能材料等方面取得重要突破。尤其是在国家创新驱动发展战略的引领下，越来越多的科研项目聚焦于如何利用人工智能手段解决能源、环保、医药等重大领域的核心问题。这一前沿交叉领域的研究发展趋势呈现出高度集成化、智能化的特点，为我国科技创新注入源源不断的活力。
鉴于以上研究热点和应用前景，现推出《智能计算模拟：第一性原理+分子动力学+机器学习》永久录播回放课程，具体课程通知内容如下：
2.教学特色
1、本次专题提供无限次回放视频，发送全部案例资料，建立永不解散的课程群，可以与相同领域内的老师同学互动交流问题，让学习不再是一个人的孤独求索。
2、前沿性与实用性并重：全面涵盖DFT/MD/ML三大计算方法以及相互结合使用的经典案例实践及最新研究分享。探讨如何利用“DFT+MD+ML”三位一体技术解决催化、药物设计等领域的核心问题，促进科研成果产业化进程。
3.培训讲师
来自世界ESI排名前50的高校。授课讲师有着丰富的分子动力学与机器学习的使用经验，在《Nature Comunications》、《ACS Applied Materials & Interfaces》 、《Journal of Colloid and Interface Science》 、《Chemistry of Materials》、《Energy Storage Materials》等国际顶级期刊发表论文五十篇。
擅长领域：使用高性能的通用型机器学习模型，深度解析并挖掘材料的结构、热力学和力学等物理属性。
智能计算模拟：第一性原理+分子动力学+机器学习
第一部分DFT+MD+ML基础
- 理论内容
1.1. 计算模拟发展：MD, MC, DFT三大部分
1.2. 人工智能时代背景：大数据与大模型对模拟计算的影响
1.3. 人工智能加入给传统模拟计算带来的哪些变化？
① 模型建构的新趋势
② 力场开发中的机器学习应用
③ AI在模拟过程优化与加速中的作用
④ 数据后处理技术的发展与智能化
1.4. 统计物理基本理论（系综、边界条件、温度的定义、控温与热浴等）
- 实例操作
2.1. 软件环境搭建与安装：conda配置虚拟环境，安装GPUMD、LAMMPS、ASE、 Phono3PY、PyNEP、 OVITO、VMD、ATOMSK等软件
2.2. 力场参数生成与MD模拟操作：综合使用MS软件+MSI2LMP快速生成任意有机分子的PCFF/CVFF力场参数文件，并使用LAMMPS软件执行分子动力学模拟
2.3. MS软件的基本介绍与LAMMPS结合使用
a. MSI2LMP与PCFF/CVFF力场的简介
b. LAMMPS入门与经验势使用
c. 简单的分子动力学计算
2.4. 高精度量化数据集获取与机器学习融入MD模拟
a. VASP计算静态与AIMD的参数设置
b. 简单的力场计算实践、LAMMPS的基本使用（机器学习势）
c. LAMMPS与机器学习势函数结合的MD模拟
d. 机器学习模型的加载和使用要点
2.5. 数据后处理技术与可视化分析
a. 使用OVITOs的相关代码分析处理数据，包括AIMD和机器学习分子模拟的RDF, MSD, 扩散系数以及键角和二面角的分布情况
b. OVITO软件的基本使用
c. 键角和二面角分布的统计与绘图实现，以及python画图和origin画图的双示例
第二部分机器学习力场学习与实践
- 理论内容
1.1. 机器学习力场的重要工作
1.2. 机器学习、神经网络核心原理和训练过程
1.3. 机器学习力场构建流程、应用与优势
1.4. 图神经网络和图卷积网络
a. GNN/GCN概述、SchNet模型特点与实现
b. 消息传递神经网络框架
c. GAP、MTP、ACE、DP、NEP模型深入探讨与对比
1.5. DeePMD在国内的研究与应用现状
1.6. 高性能机器学习力场模型介绍
1.7. NEP+GPUMD系列研究解读
- 实例操作（NEP+GPUMD集成实战：全流程模型构建与模拟）
2.1. 数据格式转换与数据集构建：使用公开代码工具转化数据格式，并生成训练，验证和测试数据集
2.2. NEP模型超参数设定与理解
2.3. NEP模型全流程操作：安装、准备数据集、训练、验证和测试
2.4. 使用LAMMPS和GPUMD模型执行高精度、高效率、大规模分子动力学模拟
2.5. 机器学习力场驱动的模拟数据后处理与分析
第三部分机器学习力场等变模型系列及领域热点
- 理论内容
1.1. MACE模型：融合ACE、消息传递与等变性的创新
1.2. 方法的完备性，效率和系列演进
1.3. 适用于大规模GPU并行框架的NEP模型
1.4. 主流机器学习力场模型的详析与对比
- 实例操作：（以石墨烯等二维材料为例，深度探究MACE及其他ML力场模型的实践应用）
2.1. NequIP或MACE模型超参数设置与实际应用
2.2. 结合LAMMPS或ASE使用MACE模型构建势函数
2.3. MACE与DeePMD、NEP的精度、数据效率对比
2.4. 计算RDF、MSD、扩散系数等物性并重现文献结果
2.5. 构建及对比DP、NEP、ACE等多种ML力场模型
第四部分数据收集方法与应用
- 理论部分
1.1. 公开数据集资源
1.2. 数据增强技术
a. 主动学习技术
b. AIMD+微扰等数据集扩充手段
c. 数据集数据集精简与筛选策略
d. 模型微调技术
- 实例操作：(主动学习与模型微调在计算模拟中的实践–液态水、SiO2、MOF的完全演示案例)
2.1. ASE环境下主动学习实现与代码解析
2.2. 多GPU并行或单GPU多任务并行与资源优化
2.3. 自主设计主动学习方案
2.4. 预训练模型微调实践
2.5. 微调与从头训练效果对比
2.6. 不同模型（如金属、团簇、孪晶结构、多晶石墨烯）的构建实例
S. 其他备选内容
S1. 其他机器学习内容拓展应用，DNN、DT、XGBoost在计算模拟领域的应用，以多晶石墨烯为例
S2. PFC相场方法建立多晶石墨烯、石墨烯晶界描述符的选取、深度神经网络的训练（与其他机器学习方法对比）、预测