高级搜索

模拟微观世界：从薛定谔方程到大原子模型

, 

downloadPDF

上一篇

下一篇

张林峰, 王涵. 2024: 模拟微观世界：从薛定谔方程到大原子模型, 物理, 53(7): 431-441. doi: 10.7693/wl20240701
引用本文: 张林峰, 王涵. 2024: 模拟微观世界：从薛定谔方程到大原子模型, 物理, 53(7): 431-441. doi: 10.7693/wl20240701
shu
ZHANG Lin-Feng, WANG Han. 2024: Simulating the microscopic world：from the Schrödinger equation to the large atomic model, Physics, 53(7): 431-441. doi: 10.7693/wl20240701
Citation: ZHANG Lin-Feng, WANG Han. 2024: Simulating the microscopic world：from the Schrödinger equation to the large atomic model, Physics, 53(7): 431-441. doi: 10.7693/wl20240701
shu

模拟微观世界：从薛定谔方程到大原子模型

  • 1 北京科学智能研究院 北京 100080;

  • 2 北京深势科技有限公司 北京 100080;

  • 3 北京应用物理与计算数学研究所 计算物理全国重点实验室 北京 100094;

  • 4 北京大学工学院 应用物理与技术研究中心 北京 100871

    • 通讯作者: 张林峰, email:zhanglf@dp.tech ;  王涵, email:wang_han@iapcm.ac.cn

Simulating the microscopic world：from the Schrödinger equation to the large atomic model

  • 1 AI for Science Institute, Beijing 100080, China;

  • 2 DP Technology, Beijing 100080, China;

  • 3 National Laboratory of Computational Physics, Institute of Applied Physics and Computational Mathematics, Beijing 100094, China;

  • 4 Center for Applied Physics and Technology, College of Engineering, Peking University, Beijing 100871, China

    • Corresponding authors: ZHANG Lin-Feng, email:zhanglf@dp.tech ;  WANG Han, email:wang_han@iapcm.ac.cn

  • 摘要: 随着人工智能技术的飞速发展，其与物理建模的结合为微观尺度的科学研究带来了革命性的工具。文章介绍了从薛定谔方程出发的量子力学近似求解方法到大原子模型(LAM)的发展历程，并特别关注机器学习技术在原子尺度模拟中的应用。文中首先讨论人工智能与物理建模结合的理论基础，随后深入分析这一结合在原子尺度模拟中的实现方式，包括机器学习模型的构建和训练策略。还探讨了数据积累、软件工具和工程基础设施对推动该领域进步的重要性，并展望了大原子模型在未来科学研究和工业应用中的潜在影响。通过不断的技术创新和跨学科合作，大原子模型将在材料科学、化学工程、生物技术等多个领域发挥重要作用，推动科学研究和工业应用进入新的发展阶段
    Abstract: With the rapid advance of artificial intelligence, its integration with physical modeling has introduced revolutionary tools for scientific research at the microscopic scale. This paper delineates the development from the approximate solutions of quantum mechanics based on the Schrödinger equation to the emergence of the large atomic model (LAM), with particular emphasis on the application of machine learning in atomic-scale simulations. The theoretical foundations underlying the synergy between artificial intelligence and physical modeling are first discussed. This is followed by a comprehensive analysis of the implementation methodologies for this integration in atomic-scale simulations, including the construction and training strategies of machine learning models. Next, the critical roles of data accumulation, software tools, and engineering infrastructure in propelling advancements in this domain are examined. The potential impact of LAM on future scientific research and industrial applications is also envisioned. Through sustained technological innovation and interdisciplinary collaboration, it is anticipated that LAM will significantly contribute to many fields, including materials science, chemical engineering, and biotechnology, thereby ushering in a new era of development in basic research and applications.
  • 加载中
  • Dirac P A M. Proceedings of the Royal Society of London，series A，1929，123(792)：714
    Schrödinger E. Physical Review，1926，28(6)：1049
    Kohn W. Reviews of Modern Physics，1999，71(5)：1253
    Pauli W. Exclusion Principle and Quantum Mechanics. In：Writings on Physics and Philosophy，Springer，1946. pp.165—181
    Hartree D R. The Wave Mechanics of an Atom with a Noncoulomb Central Field. Part I. Theory and Methods. In：Mathematical Proceedings of the Cambridge Philosophical Society， Cambridge University Press，1928. pp.89—110
    Fock V. Zeitschrift für Physik，1930，61：126
    Hylleraas E A. Zeitschrift für Physik，1928，48(7)：469
    Čížek J. The Journal of Chemical Physics，1966，45(11)：4256
    Ceperley D，Chester G V，Kalos M H. Physical Review B，1977， 16(7)：3081
    White S R. Phys. Rev. Lett.，1992，69(19)：2863
    Knizia G，Chan G K L. Phys. Rev. Lett.，2012，109(18)：186404
    Han J Q，Zhang L F et al. Physics Today，2021，74(7)：36
    Born M，Oppenheimer R. Annalen der Physik，1927，389(20)： 457
    Hohenberg P，Kohn W. Physical Review，1964，136(3B)：B864
    Kohn W，Sham L J. Physical Review，1965，140(4A)：A1133
    Medvedev M G，Bushmarinov I S，Sun J W et al. Science，2017， 355(6320)：49
    Car R，Parrinello M. Phys. Rev. Lett.，1985，55(22)：2471
    Jia W L，Wang H，Chen M H et al. Pushing the Limit of Molecular Dynamics With ab initio Accuracy to 100 Million Atoms with Machine Learning. In：SC20：International Conference for High Performance Computing，Networking，Storage and Analysis， IEEE，2020.pp.1—14
    Jumper J，Evans R，Pritzel A et al. Nature，2021，596(7873)：583
    Behler J，Parrinello M. Phys. Rev. Lett.，2007，98(14)：146401
    Zhang L F，Han J W，Wang H et al. Phys. Rev. Lett.，2018，120(14)：143001
    Schütt K，Kindermans P J，Felix H E S et al. SchNet：A Continuous-filter Convolutional Neural Network for Modeling Quantum Interactions. In：Advances in Neural Information Processing Systems 30(NIPS 2017)
    Artrith N，Morawietz T，Behler J. Physical Review B，2011，83(15)：153101
    Zhang L F，Wang H，Muniz M C et al. The Journal of Chemical Physics，2022，156(12)：124107
    Grisafi A，Ceriotti M. The Journal of Chemical Physics，2019， 151(20)：204105
    Noether E. Nachrichten von der Gesellschaft der Wissenschaften zu Göttingen，Mathematisch-Physikalische Klasse，1918，1918： 235
    Hellmann H. Einfuhrung in die quantenchemie. Springer，1937
    Feynman R P. Physical Review，1939，56(4)：340
    Smith J S，Nebgen B，Lubbers N et al. The Journal of Chemical Physics，2018，148(24)：241733
    Zhang L F，Lin D Y，Wang H et al. Physical Review Materials， 2019，3(2)：023804
    Zhang L F，Wang H，Car R et al. Phys. Rev. Lett.，2021，126(23)： 236001
    Abadi M，Barham P，Chen J M et al. TensorFlow：A System for Large-Scale Machine Learning. In：12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16)， 2016. pp.265—283
    Paszke A，Gross S，Massa F et al. Advances in Neural Information Processing Systems，2019，32：8026
    Wang H，Zhang L F，Han J Q et al. Computer Physics Communications，2018，228：178
    Doerr S，Majewski M，Pérez A et al. Journal of Chemical Theory and Computation，2021，17(4)：2355
    Liu X，Han Y B，Li Z Y et al. Dflow：A Python Framework for Constructing Cloud-native Ai-for-science Workflows. 2024， arXiv：2404.18392
    Li Z Y，Wen T Q，Zhang Y Z et al. An Extendable Cloud-native Alloy Property Explorer. 2024，arXiv：2404.17330
    Deng B W，Zhong P C，Jun K et al. Nature Machine Intelligence， 2023，5(9)：1031
    Batatia I，Benner P，Chiang Y et al. A Foundation Model For Atomistic Materials Chemistry. 2023，arXiv：2401.00096
    Perdew J P，Burke K，Ernzerhof M. Phys. Rev. Lett.，1996，77(18)：3865
    Anisimov V I，Zaanen J，Andersen O K. Physical Review B， 1991，44(3)：943
    Merchant A，Batzner S，Schoenholz S S et al. Nature，2023，624： 80
    Batzner S，Musaelian A，Sun L X et al. SE (3)-equivariant Graph Neural Networks For Data-Efficient And Accurate Interatomic Potentials. 2021，arXiv：2101.03164
    Smith J S，Isayev O，Roitberg A E. Scientific Data，2017，4(1)：1
    Chai J D，Head-Gordon M. Physical Chemistry Chemical Physics，2008，10(44)：6615
    Chanussot L，Das A，Goyal S et al. ACS Catalysis，2021，11(10)： 6059
    Hammer B，Hansen L B，Nørskov J K. Physical Review B，1999， 59(11)：7413
    Becke A D. The Journal of Chemical Physics，1993，98(2)：1372
    Mardirossian N，Head-Gordon M. Molecular Physics，2017，115(19)：2315
    Sun J W，Ruzsinszky A，Perdew J P. Phys. Rev. Lett.，2015，115(3)：036402
    Kaplan J，McCandlish S，Henighan T et al. Scaling Laws for Neural Language Models. 2020，arXiv：2001.08361
    Brown T，Mann B，Ryder N et al. Advances in Neural Information Processing Systems，2020，33：1877
    Zhang D，Liu X，Zhang X Y et al. DPA-2：Towards a Universal Large Atomic Model for Molecular and Material Simulation. 2023，arXiv：2312.15492
  • 加载中
计量
  • 文章访问数:  526
  • HTML全文浏览数:  526
  • PDF下载数:  25
  • 施引文献:  0
出版历程
  • 收稿日期:  2024-05-13

模拟微观世界：从薛定谔方程到大原子模型

    通讯作者: 张林峰, email:zhanglf@dp.tech ; 
    通讯作者: 王涵, email:wang_han@iapcm.ac.cn
  • 1 北京科学智能研究院 北京 100080;
  • 2 北京深势科技有限公司 北京 100080;
  • 3 北京应用物理与计算数学研究所 计算物理全国重点实验室 北京 100094;
  • 4 北京大学工学院 应用物理与技术研究中心 北京 100871
  • 收稿日期:  2024-05-13

摘要: 随着人工智能技术的飞速发展，其与物理建模的结合为微观尺度的科学研究带来了革命性的工具。文章介绍了从薛定谔方程出发的量子力学近似求解方法到大原子模型(LAM)的发展历程，并特别关注机器学习技术在原子尺度模拟中的应用。文中首先讨论人工智能与物理建模结合的理论基础，随后深入分析这一结合在原子尺度模拟中的实现方式，包括机器学习模型的构建和训练策略。还探讨了数据积累、软件工具和工程基础设施对推动该领域进步的重要性，并展望了大原子模型在未来科学研究和工业应用中的潜在影响。通过不断的技术创新和跨学科合作，大原子模型将在材料科学、化学工程、生物技术等多个领域发挥重要作用，推动科学研究和工业应用进入新的发展阶段

English Abstract

    全文HTML

参考文献 (53)

目录

/

返回文章
返回