物理嵌入的机器学习力场模型

报告题目：物理嵌入的机器学习力场模型

报告人：江剑中国科学院化学研究所研究员

报告时间：2024年7月11日上午10:00-11:00

报告地点：物科楼101室

报告邀请人：杨恺

报告摘要：机器学习在构建具有量子化学精度力场方面取得了显著进展。然而，它仍然面临重大挑战，例如在外推到未知的化学空间、解释长程静电作用和映射复杂的宏观性质等方面。为了解决这些问题，我们通过整合物理原理和机器学习技术，构建物理信息嵌入的神经网络(PINN)模型，并结合我们提出的高效的全局优化算法（Tabu-Adam），在严格的物理约束下增强优化。我们选择了AMOEBA+力场作为嵌入的物理模型，然后使用二甘醇二甲醚(DEGDME)数据集进行训练和测试。结果表明，该PINN模型在构建精确且抗噪的机器学习力场方面取得了重大突破。利用包含数百个样本的训练集，我们的模型在描述分子相互作用方面表现出优秀的泛化能力和量子化学精度，并且能够以极低的成本精确预测扩散系数等宏观性质。这项工作为建立PINN的基本框架提供了重要思路。

报告人简介：江剑，中国科学院化学研究所研究员、博士生导师。2005年—2014年在北京化工大学分别获信息与计算科学学士、应用数学硕士、化学工程与技术博士学位，2012年-2013年在美国加州大学河滨分校交流学习，2015年-2018年在美国加州理工学院从事博士后研究工作。目前主要研究领域为高分子物理、人工智能增强的分子动力学模拟等。