建议所有做合金设计的研究人员都去学一下！太关键了！https://mp.weixin.qq.com/s/Lsu-rPWcSmGEGPlxBQZvEg点此链接查看详情！

机器学习分子动力学模拟

2026.05.20---2026.05.22（晚上19:00-22:00）

2026.05.27---2026.05.29（晚上19:00-22:00）

2026.05.30（上午09:00-11:30下午13:30-17:00）

2026.06.13（上午09:00-11:30下午13:30-17:00）

腾讯会议 线上授课（共五天课程 提供全程视频回放和课程群答疑）

第一天

上午：理论部分讲解与综述

一、数据驱动材料与分子科学的发展脉络

本部分旨在梳理从传统方法到数据驱动建模的研究范式演变，明确机器学习在其中扮演的角色。

1.传统路径：主要依赖实验观察（试错、表征）与理论推导（解析模型），周期长、成本高，对复杂体系难以深入。

2.计算模拟兴起：

• 第一性原理计算：从量子力学基本原理（如密度泛函理论，DFT）出发，计算电子结构及相关性质。精度高，但计算量巨大，仅限于数百原子、皮秒尺度。

• 分子动力学：基于经验力场，求解牛顿方程，模拟原子/分子的运动轨迹。可处理更大体系（微米、微秒尺度），但精度依赖力场，且计算仍昂贵。

五类主线问题在本流程中的映射：

1.性质预测问题（如预测材料带隙、蛋白质稳定性）：

• 描述符：成分特征、结构特征（径向分布函数、拓扑描述符等）、简化量子描述符。

• 核心：监督回归模型（如随机森林、图神经网络）。

• 目标：建立准确、可解释的“结构-性能”定量关系。

2.势函数与力场开发问题：

• 描述符：原子局域环境描述符（如对称函数、ACSF）。

• 核心：神经网络（如Deep Potential, SchNet）学习从原子构型到能量/力的映射。

• 目标：获得高精度、高效率的相互作用势，赋能大尺度高精度MD。

3.轨迹分析与机制发现问题：

• 描述符：原始坐标、或预定义的物理量（如二面角、距离）。

• 核心：无监督学习（降维、聚类）用于识别亚稳态和路径；有时结合监督学习标记特定状态。

• 目标：从高维轨迹数据中自动提取动力学状态、自由能面、主要过渡路径。

4.谱学-结构反演问题：

• 描述符：光谱数据（作为输入或输出）、结构描述符（作为对应输出或输入）。

• 核心：建立“光谱-结构”的双向映射模型，常用深度神经网络（如CNN处理光谱，全连接网络进行映射）。

• 目标：实现从实验或计算光谱到三维结构的快速、定量推断。

5.优化与设计问题：

• 描述符：设计变量（如组分比例、合成条件、几何参数）。

• 核心：结合代理模型与优化算法（如贝叶斯优化、遗传算法）。

• 目标：在巨大的变量组合空间中，高效寻优性能目标（单目标或多目标）。

  

分子动力学计算理论

1. MD基本原理：从牛顿到统计

• 核心思想：将体系视为在经验力场作用下的粒子集合，通过数值求解牛顿运动方程，得到体系随时间的演化轨迹。

• 力场的局限：传统力场（如AMBER, CHARMM）精度有限，且开发困难；机器学习势旨在解决此瓶颈。

2. MD模拟的核心输出与数据分析挑战

• 轨迹文件：包含所有原子在每一时间步的坐标（和速度）。核心挑战：数据维度极高（原子数×3×步数），关键信息被淹没。

• 可观测量的计算：从轨迹中统计计算热力学量（温度、压力、能量）、结构性质（RDF、均方位移）、动力学性质（扩散系数、粘度）等。

3. 从MD到机器学习：关键接口

下午：案例模块一——光谱快速模拟与结构信息抽取

案例1：蛋白质 CD 光谱快速回归模拟

以机器学习替代部分量化计算的思想为原型，构建小型回归模型，由几何特征预测 CD 光谱关键区段，训练并比较线性模型、随机森林和 MLP 的表现。

案例2：Trp-cage 折叠阶段的谱学表征识别

围绕 Trp-cage 折叠路径上不同构象的 CD 变化，建立折叠阶段分类模型，训练学生从谱峰位置和强度变化中识别线圈态、螺旋增强态与接近折叠完成态。

案例3：光谱相似性评价与模型误差分析

实现使用相关系数评估预测光谱与实验/理论光谱一致性的思想，完成 Spearman、RMSE、峰位偏移三类指标的计算与可视化。

第二天

上午：代码与机器学习库简介

3.Python 科研工作流组织方式

Jupyter、脚本化、函数封装、实验记录与随机种子管理。

4.本课程统一使用的核心库

NumPy、Pandas、Matplotlib、SciPy、Scikit-learn、PyTorch。说明各库在数据处理、建模、可视化中的角色。

5.科研任务里的基本模型工具箱

回归、分类、聚类、降维、交叉验证、特征重要性分析、简单神经网络、代理模型与多目标优化的代码模板。

6.本课程数据组织方式

所有案例统一使用 CSV / NPY / 简化 PDB 片段 / 课程整理后的图表数据，不依赖数据库接口。

下午：案例模块二——结构反演与多光谱学习

案例4：用 UV + CD 预测蛋白质螺旋含量

按照UV/CD 联合输入—结构输出的逻辑，构建从双光谱特征到螺旋含量的监督回归模型，体现谱学到结构描述符的映射。

案例5：用 UV + CD 预测残基距离的低维表示

不直接预测完整三维结构，而是预测残基距离矩阵的低维嵌入或主成分，既保留论文的核心思想，又保证课程内可完整实现。

案例6：IR / Raman / NMR 多光谱子结构存在预测

基于对小分子多光谱联用的思路，完成是否含芳环、羰基、胺基等子结构的多标签分类任务，比较单光谱与多光谱融合效果。

第三天

上午：案例模块三——多光谱联用与迁移学习

案例7：子结构数量分类而非仅做存在判断

把任务从有没有提升到有几个，完成多分类问题设计，强调谱学信息粒度提升后对结构反演能力的增强。

案例8：QM9 风格训练集到 PubChem 风格测试集的迁移学习

模拟跨数据集迁移的场景，完成训练域与测试域分布差异下的性能分析，学习标准化、微调与特征重加权方法。

案例9：多光谱模型的可解释性分析

用 permutation importance、SHAP 风格替代思路或特征置乱方法，找出哪些波段对不同子结构预测最关键，形成谱峰—结构解释链条。

下午：案例模块四——蛋白质动力学中的无监督学习

案例10：UMAP 降维识别蛋白质构象态

基于残基距离矩阵或其展开向量做 UMAP 降维，实现论文高维构象—低维嵌入的主流程，观察结合态、非结合态和过渡态的分离。

案例11：HDBSCAN 自动提取主折叠路径

在 UMAP 嵌入结果上使用 HDBSCAN 聚类，识别主要构象簇和噪声点，理解自动发现状态相较于手工阈值划分的优势。

案例12：从聚类结果构建简化动力学转移网络

对时间序列聚类标签构建状态转移矩阵，估计主要通路与稳态分布，形成一个轻量版 MSM 风格分析案例。

第四天

上午：案例模块五——Janus 纳米颗粒自组装的简化物理模型

案例13：Janus 偶极-偶极相互作用能量建模

根据平行排列比反平行更稳定的结论，建立二维偶极相互作用模型，计算不同夹角与距离下的能量地形。

案例14：蒸发速率对取向自由度影响的玩具模型

把的蒸发过快限制颗粒转动转化为带阻尼的随机转动模型，模拟快蒸发与慢蒸发下颗粒取向分布差异。

案例15：平行/反平行阵列稳定区间图绘制

在不同偶极强度、颗粒间距、热噪声水平下绘制稳定相图，展示自组装问题如何转化为可计算的参数扫描问题。

下午：案例模块六——高熵合金的成分—性能代理建模

案例16：Mn 含量与屈服强度/杨氏模量关系回归

基于论文总结出的趋势关系，整理小样本数据并训练回归模型，完成成分到力学指标的快速预测与不确定性分析。

案例17：层错能作为中介变量的机制分析

围绕Mn 含量升高—层错能降低—屈服强度下降的链条，构建中介分析或路径分析，训练学生从相关走向机制。

案例18：FCC→HCP 转变的序列分类代理模型

不做原子级相变模拟，而是对相分数、应变、应力等序列特征进行分类，识别何时进入明显塑性变形与相转变区。

第五天

上午：案例模块七——聚合物链结构与复合材料构效关系

案例19：环状聚合物的临界填充分数识别

围绕φc≈0.3 的关键现象，构建填充分数—构象/动力学/力学指标的分段回归模型，识别约束机制的切换点。

案例20：瓶刷聚合物接枝密度对强度与自愈的非单调调控

把接枝密度、侧链长度、温度作为输入，自愈效率和力学强度作为输出，训练非线性回归模型并讨论最优设计窗口。

案例21：NNP 与传统 PNC 的低滞后比较

构建新型纳米链结构与传统填料体系的对照数据，比较拉伸强度、损耗因子、滞后损失，突出工程材料设计中的强度—能耗双目标问题。

下午：案例模块八——综合优化与课程收束

案例22：软纳米颗粒交联密度的强度—韧性 Pareto 优化

通过多目标优化方法寻找既高强又高韧的参数组合，让学生把前面学到的代理模型真正用于材料设计。

案例23：跨领域统一描述符实验

把光谱、动力学、聚合物、合金四类案例统一成输入特征—输出性质的建模框架，比较不同领域问题在机器学习层面的共性。