云计算如何助力夯实制造业“底盘”？材料科学领域专家学者分享新材料前沿技术成果

本文链接：https://blog.csdn.net/PWmat/article/details/126707940

新材料技术是我国制造业的“底盘技术”，在人工智能、云计算等信息技术的加持下，新材料的发现与设计、分析与计算迎来了哪些变化？8月，腾讯教育联合龙讯旷腾、腾讯云、腾讯量子实验室、NVIDIA共同举办云计算助力材料多尺度计算研讨会，邀请11位材料科学领域专家学者分享多尺度计算模拟与云计算领域的最新进展、技术及成果，推动多尺度计算模拟的理论发展和应用探索。

腾讯杰出科学家、腾讯量子实验室负责人张胜誉，龙讯旷腾CEO吕海峰，香港城市大学讲座教授张瑞勤，北京航空航天大学物理学院院长、教授吕广宏，中国科学院半导体研究所首席科学家汪林望教授，清华大学物理系长聘教授、日本理化学研究所兼职研究员徐勇，清华大学深圳国际研究生院副教授、博士生导师邹小龙，浙江大学教授谢昌谕，中国科学院深圳先进技术研究院研究员赵海涛，腾讯量子实验室专家研究员郝少刚以及NVIDIA解决方案与架构高级技术经理张瑞华等出席了本次线上研讨会。

腾讯杰出科学家、腾讯量子实验室负责人张胜誉在致辞中指出，材料科学是国家产业升级的关键支撑，腾讯近年来不断加大在硬核科技研究中的投入，希望通过腾讯云的高性能计算资源和腾讯量子实验室开发的TEFS材料研究平台，助力材料计算领域提升科研效率，加速成果输出。

龙讯旷腾CEO吕海峰表示，传统计算材料学与人工智能、云计算等新技术的融合，使得材料计算模拟正向着更高的精度、更大尺度乃至更大规模的方向快速推进。龙讯旷腾基于教育科研界、工业界的前沿需求，打造出一批好用的软件工具和服务，助力提高材料研发效率，缩短研发周期，降低研发成本。

张瑞勤：机器学习辅助钙钛矿材料设计

在材料领域，传统的新材料开发通常是基于试错的方式进行，成本昂贵而且耗时。随着云计算技术带来的计算能力提升，对材料工作者从事分子和材料研究、设计工作都带来很大便利。

香港城市大学讲座教授张瑞勤以机器学习设计新材料为例，分享了他的团队利用机器学习原理辅助发现优质的杂化有机-无机钙钛矿的过程。研究人员基于DFT（密度泛函理论）计算，通过搭建机器学习预测模型来有效降低了材料实验和计算的成本。

吕广宏：金属材料中子辐照计算模拟平台构建

计算模拟对材料设计的助力不仅体现在一般的工业制造层面，在核材料等尖端领域也得到应用。中子辐照会导致材料结构性能发生较大变化，但开展辐照损伤实验研究面临着运行成本高、真实运行环境难找、替代试验偏差大等诸多问题。

北京航空航天大学物理学院院长、教授吕广宏介绍了通过中子辐照模拟平台来计算模拟反应堆中子的辐照损伤和辐照效应的实践案例。在金属材料中子辐照模拟平台上，研究人员可以模拟中子以不同能量、角度入射金属材料后的过程，通过辐照初级损伤结构数据库和辐照缺陷性质数据库，对整个过程进行动力学演化计算，从而对中子辐照下材料缺陷行为和力热性能做出预测，最终的计算结果和实验结果符合度非常高。

汪林望：高性能计算、大数据、人工智能与材料创新

“在材料创新模式上，不断试错的爱迪生式方法已经不再适用。”中国科学院半导体研究所首席科学家汪林望教授表示，不同于以往通过理性推导，从底层一步步到上层的方式，随着AI for science（科学智能）时代的到来，我们可以用统计的方法来解决同样的问题。

而对于机器学习在材料研发上的应用，汪林望认为主要体现在两个方向：一是拿来做数据挖掘，在海量数据中发现分子结构、属性之间的相互关系；第二是做力场的开发，通过拟合第一性原理计算产生的大量数据，得到一个力场模型，接下来利用机器学习不断迭代、反复学习映射，使之变得更好。

郝少刚：基于消息传递的异质图神经网络

腾讯量子实验室作为腾讯前沿科技实验室矩阵的重要组成，旨在研究量子计算系统、量子计算与量子系统模拟的算法和基础理论，以及在相关应用领域和行业中的应用。

腾讯量子实验室专家研究员郝少刚介绍，腾讯量子实验室主要从两个方面探索如何将机器学习与DFT计算结合应用在大尺度材料的研究。第一是赋能传统物理仿真算法，用高精度神经网络力场取代AIMD（从头算分子动力学），用神经网络拟合交换关联泛函，提高DFT精度；第二是从数据总结规律再做推理，直接把小分子用一些图神经网络或者建模的方式来描述，通过机器学习直接推导出它的组成及特性。会上，郝少刚还分享了腾讯量子实验室利用基于消息传递的异质图神经网络对材料进行科研分析的实践应用。