报告题目：深度学习在计算材料学中的应用
报告人：中国科学院宁波材料技术与工程研究所 何日
报告时间：2021年11月19日 09：00
报告地点：龙赛理科楼北楼116会议室
摘要：在计算材料学中，对于晶体材料相变动力学过程的模拟往往需要涉及较大的时间和空间尺度。基于密度泛函理论(DFT)的第一性原理计算具有很高的精度，但是由于自洽迭代求解所带来的巨大计算量，利用该方法来研究材料在大尺度（百万原子）下的动力学过程仍存在着诸多挑战；而利用分子动力学（MD）方法来研究材料的相变动力学性质往往需要高精度的势场。传统经验势场的开发是通过少量参数拟合得到的，存在精度较差、开发周期长等诸多问题，故当前有大量材料体系没有合适的经验势场来进行MD模拟。因而有必要寻找一种能够在DFT精度下模拟百万原子体系在纳秒尺度下的动力学过程方法。深度学习给上述问题的解决提供了一套全新的思路。通过对大量DFT计算数据进行深度学习，可以构建出一个用深度神经网络来表示材料体系的经典势场，该势场在具有DFT精度的同时，可以实现高效率的MD模拟，为研究复杂体系在大尺度下的动力学过程提供了可能。本报告以凝固态物理中的经典材料体系SrTiO3为例，详细讲解了基于深度神经网络构建DFT级精度势函数的方法，并利用该势场实现了对于大尺度体系SrTiO3动力学性质的研究。
简介：何日，2012年本科毕业于沈阳建筑大学材料科学与工程专业, 2018年博士毕业于东北大学材料学专业，博士后工作于中国科学院宁波材料技术与工程研究所，现为中国科学院宁波材料技术与工程研究所助理研究员。长期从事计算物理和计算材料学方向的研究工作，综合运用第一性原理密度泛函理论计算和大尺度分子动力学和相场模拟，研究复杂氧化物的结构和物性关系，目前已在Acta Materialia、Phys. Rev. B、ACS Appl. Mater. Interface等期刊发表学术论文 10 余篇。