分子动力学研究正经历方法学范式转变：通过多尺度物理建模、机器学习势函数的参数化优化，以及GPU异构计算的并行加速技术，传统需数周完成的复杂体系模拟可压缩至数十小时。然而，当前研究仍面临显著的“技术鸿沟”——部分科研人员因缺乏对势函数选择、系综控制及机器学习模型泛化性的系统认知，陷入“参数调试-数据偏差-结果不可靠”的负反馈循环。这一困境的根源，在于学界对“数据-物理混合驱动”的新型模拟范式尚未形成统一的方法论框架。
在此背景下，机器学习技术正通过监督学习优化的势函数重塑分子模拟的底层逻辑，推动了分子动力学从“验证性工具”向“预测性引擎”的转型，使其成为计算化学与材料设计的核心基础设施。当前挑战主要集中在数据驱动的模型可解释性与跨平台工作流整合，而系统性教育（如ML-MD融合课程）将成为突破应用门槛的关键。
本课程将为你拆解：
1. 使用LAMMPS软件完成分子动力学模拟的全流程操作，包括建模（如石墨烯、碳管、水盒子）、参数设置（势函数选择、时间步长优化）、模拟运行（NVE/NPT系综控制）及结果分析（应力应变曲线、热导率计算等）。
2. 利用机器学习势（如DeepMD、NEP）优化传统势函数（如AIREBO、Tersoff），并能够训练和验证MLP模型，提升复杂体系（金属、高分子等）的模拟效率和精度。
3. 使用VMD和OVITO进行分子动力学数据的可视化与后处理，包括动态轨迹渲染、密度分布分析、接触角计算、位错识别（DXA）以及晶体结构分类（PTM），并能输出论文级图表和动画。
4. 针对材料力学、热传导、界面润湿性等实际问题设计MD模拟方案（如金属切削加工、石墨烯拉伸模拟），结合机器学习方法解决传统模拟中的精度和效率瓶颈，满足高水平论文和工程应用需求。
现在进群！领「MD+ML」必读书单（36本电子版）
添加上方好友发送关键词“机器学习”，免费进群
讲师介绍：徐老师 | 香港中文大学副研究员
有着丰富的分子动力学与机器学习的使用经验，在《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余篇。
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。
课程大纲：
模块一：分子动力学核心精讲
1.1. 关键流程拆解
- 原子建模与势函数选择（Airebo vs. Tersoff）
- 边界条件设置（周期性/固定边界）
- 时间步长与体系演化（NVE/NVT系综对比）
- 案例演示：石墨烯拉伸模拟（in文件参数详解）
1.2. LAMMPS进阶操作
- 输入文件结构解析（data文件+in文件）
- 应力应变计算（compute stress/atom命令）
- 热导率模拟（Green-Kubo方法实现）
- 错误排查：Neighbor list设置常见问题
1.3. VMD可视化实战
- 分子体系建模（碳纳米管/水盒子）
- 动态轨迹渲染（景深调节、材质选择）
- 数据分析脚本（TCL脚本计算MSD/RDF）
模块二：机器学习融合应用
2.1. 势函数替代原理
- 传统势函数局限性分析
- 机器学习势（MLP）训练流程（数据准备→模型训练→验证）
- 案例：NEP模型在金属切削模拟中的应用
2.2. LAMMPS+ML联合实操
- MLPMD环境配置要点
- 水分子体系模拟（对比经典势与ML势结果）
- 关键参数解读（训练集筛选、epoch设置）
模块三：案例设计与答疑
3.1. 综合案例
- 石墨烯-水界面接触角计算（含VMD密度剖面分析）
- 热导率模拟的统计收敛判断
3.2. 互动答疑
- 常见报错解决方案（势函数不收敛、体系能量爆炸）
直播时间：2025年3月12日 （周三） 19:00-21:00
观看方式：测试狗-科研服务 视频号& B站直播间
