上课啦！MindSpore SPONGE暑期学校报名，以AI+分子动力学模拟加速基础科研创新

分子动力学模拟（molecular dynamics, MD）是化学、生物、物理、材料科学等领域的重要研究工具。人工智能增强的分子模拟是一个全新的交叉学科研究领域，它结合了AI数据驱动和分子模拟物理驱动的优势，并催生出一系列有趣的新技术、新问题和新挑战。

MindSpore SPONGE暑期学校第四季

分子模拟通过结合和适配最先进的 AI 技术，可以构建全新的基础设施，并产生更多独特又令人兴奋的分子模拟全新研究范式。8月23-25日 昇思MindSpore社区举办的MindSpore SPONGE暑期学校将带领大家从理论到实践，探索AI与分子动力学模拟结合的多种应用场景，期待与大家共创开源科学软件生态，碰撞出多样的研究灵感。

01、基于AI框架的分子模拟

当前主流的分子模拟软件往往诞生于几十年前，在很多地方都难以适应当今IT技术的发展。传统分子模拟软件在支持新设备（如 NPU）或者大规模并行计算时，往往需要对程序进行大幅改动。目前大部分的分子模拟软件以 C/C++和 FORTRAN 语言编写，但目前的 AI 框架多以 Python 语言为前端，这导致 AI 算法难以集成在分子模拟软件中。高毅勤教授与杨奕研究员团队联合昇思 MindSpore 团队提出了一种“类AI”的分子动力学模拟程序架构[1]，可以如执行 AI 训练那样运行MD模拟程序。

在该架构下，MD 模拟被看作一种特殊的 AI 训练过程，原子坐标相当于神经网络参数，势能函数相当于作为优化目标的损失函数，而 MD 积分器则相当于一种特殊的AI优化器。根据这种相似性逻辑，分子模拟程序可以自然而然地在AI框架中重构，高毅勤教授与杨奕研究员团队因此基于华为全场景 AI 框架昇思 MindSpore，开发了 AI 原生分子模拟程序 MindSPONGE。该框架可以充分发挥昇思 MindSpore 作为 AI 框架的强大能力，提供了可微编程、高通量计算和自动硬件迁移等非常有吸引力的功能。

02、结合AI的增强采样和多尺度建模

传统分子模拟采取的机理计算难以覆盖更大的时间和空间尺度，而基于机器学习的增强采样技术和多尺度建模策略可以突破这一限制。理论研究化学反应机制在有机化学中至关重要，使用量子化学来计算手动构建的过渡态分子的构象是最常用的传统方法。然而，这种方法严重依赖个人经验和化学直觉。在分子动力学模拟中采用增强采样可以直接模拟化学反应的整个过程，是一种研究化学反应的有效手段，但是计算速度限制了高精度势能函数在模拟中的应用。

为了解决这个问题，高毅勤教授及杨奕研究员团队开发了基于图神经网络（GNN）和Transformer架构的分子模型，在MindSpore SPONGE计算生物套件下将其用于训练高精度的分子力场[2]。训练好的势能函数允许在低计算成本下对化学反应机制进行高精度的模拟分析。该方法已被成功应用于研究Claisen重排反应和锰催化的羰基插入反应。

03、基于增强采样分子模拟的冰晶成核动力学研究

水是地球上最丰富的分子之一，尽管水分子的结构简单，但在自然条件下冰核的成核动力学可能会非常复杂。高毅勤教授及杨奕研究员团队使用分子动力学软件 SPONGE ，基于增强采样方法模拟研究了自发生长的冰核[3]，发现自发形成的冰核与理想核之间的成核动力学存在显著差异，以此为基础提出了一种广义成核理论，更好地表征一般条件下冰晶成核的动力学。

参考文献

[1] Zhang J, Chen D, Xia Y, et al. Artificial intelligence enhanced molecular simulations[J]. Journal of Chemical Theory and Computation, 2023, 19(14): 4338-4350.

[2] Yuan S, Han X, Zhang J, et al. Generating High-Precision Force Fields for Molecular Dynamics Simulations to Study Chemical Reaction Mechanisms Using Molecular Configuration Transformer[J]. The Journal of Physical Chemistry A, 2024.

[3] Li M, Huang Y, Xia Y, et al. A Generalized Nucleation Theory for Ice Crystalline[J]. arXiv e-prints, 2023: arXiv: 2306.05713.