目前，机器学习势函数得益于第一性原理计算产生的数据，极大拓展了模型的应用范围，在材料科学、计算物理等领域应用广泛，并取得了较大成果。此外，DPA-1还引入了对元素的编码。以AlMgCu合金数据集为例，则是分为了single、binary、ternary三个子集。结果显示，对比DeepPot-SE，DPA-1可节省约90%的三元数据。在仅有少量三元数据测试下，也能达到较高的精度。据研究人员介绍，本次研究证明了“预训练少量任务微调”流程的可行性。
常用的30种元素周期表?白交 发自 凹非寺量子位 | 公众号 QbitAI，今天小编就来聊一聊关于常用的30种元素周期表?接下来我们就一起去研究一下吧!
常用的30种元素周期表
白交 发自 凹非寺量子位 | 公众号 QbitAI
分子模拟领域的预训练模型，来了！
DPA-1，中国团队深势科技以及北京科学智能研究院等机构打造，能覆盖元素周期表大多数常见元素。
在各类数据集上的迁移学习结果表明，该模型能大幅降低新场景对数据的依赖，甚至在特定条件下能省去90%的数据。
用大模型的思路打开分子模拟机器学习辅助下的原子间势能面（PES）建模，与相应的机器学习势函数正在彻底改变分子模拟领域。PES是用于描述化学体系的一个基本量，通过它能得到大量原子间相互作用的信息。
过去传统的分子模拟，主要是基于物理经验得到的解析函数来描述PES，但始终无法完整描述出原子间相互作用。
目前，机器学习势函数得益于第一性原理计算产生的数据，极大拓展了模型的应用范围，在材料科学、计算物理等领域应用广泛，并取得了较大成果。
不过仍面临着现有模型迁移能力不足、缺乏通用大模型的局限性。当面对一个复杂体系时，仍需获取大量数据从头开始训练模型，造成计算成本高昂。
基于这样的背景，研究人员参考当下在CV、NLP等领域中大模型的一种“预训练 少量数据微调”解决方案，提出了DPA-1，基于新注意力机制的深度势能预训练模型。
类似于NLP的注意力机制，研究人员提出了门控注意力机制 （即图中的红色模块）。
据介绍，该模型在原子局部环境矩阵上进行了类比多体（大量粒子构成的微观系统）相互作用的信息交互，并以正则化的相对坐标点乘作为角度信息，对获得注意力权重进行重新加权，以此来实现类似门控的机制。
此外，DPA-1还引入了对元素的编码。不同元素共用同一套网络参数，从而提升元素容量。
还将化学元素可视化在迁移性测试中，研究人员有意将不同训练集划分成多个子集，且每个子集的组分、构型都有较大差异。
以AlMgCu合金数据集为例，则是分为了single、binary、ternary三个子集。
（single子集仅包含单质/一元数据，binary仅有二元数据，即Al-Mg，Al-Cu，Mg-Cu；而ternary则是剩余的三元数据）
结果显示，相较于DeepPot-SE，DPA-1的测试精度有较大的提升，甚至在特定条件下这种提升达到了一两个数量级。
进一步地，研究人员设计了迁移学习的方案。
简言之，就是先在较大规模数据上进行预训练，然后根据新的少量数据集修改最后一层能量偏差。
在AlMgCu合金数据集测试中，就将一元、二元子集上进行预训练，然后在三元子集上测试。
结果显示，对比DeepPot-SE，DPA-1可节省约90%的三元数据。
在仅有少量三元数据测试下，也能达到较高的精度。
接着他们在包含56种元素的大型数据集OC2M上预训练，并将其迁移到毫不相关的HEA和AlCu数据集上，结果都显示出能成功的应用。
其他类似模型GemNet（分子的通用方向图神经网络）在同样OC2M数据集上预训练，产生的模型有数十亿的参数，训练时间需要数以千计的GPU hours。
而DPA-1只需要不到200个GPU hours 来训练不到一百万个参数，并取得了不错的结果（DPA-1和Gemnet-OC[34]的能量MAE为0.681 vs 0.286 eV）。
除此之外，他们还将元素可视化——模型中学习到元素编码进行了PCA降维并可视化。
可以看到，所有元素都呈螺旋状分布，同周期元素沿着螺旋下降，同族元素则垂直螺旋方，恰好对应的是元素周期表的位置。
据研究人员介绍，本次研究证明了“预训练 少量任务微调”流程的可行性。
接下来，他们将致力于势函数自动化生产、自动化测试，也将关注像多任务训练、无监督学习、模型压缩、蒸馏等操作，方便用户一键生成下游任务所需的势能函数。
感兴趣的旁友，可戳下方论文链接了解更多~
论文链接：http://arxiv.org/abs/2208.08236GitHub链接：http://github.com/deepmodeling/deepmd-kit参考链接：http://mp.weixin.qq.com/s/cbTgntJmuntskQmTWjAINA
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一时间获知前沿科技动态
