基于机器学习势函数的理论模拟在本科生教学实验课设计中的应用

doi:10.12461/PKU.DXHX202405164

大学化学 >> 2025, Vol. 40 >> Issue (3): 140-147.doi: 10.12461/PKU.DXHX202405164

所属专题：理论与计算化学在化学及其交叉学科教学中的应用

基于机器学习势函数的理论模拟在本科生教学实验课设计中的应用

谢忻恬¹, 马思聪², 李晔飞¹, 商城¹, 刘智攀^1,2

1 复旦大学化学系, 能源材料化学协同创新中心, 上海市分子催化和功能材料重点实验室, 计算物质科学教育部重点实验室, 上海 200433;
2 中国科学院上海有机化学研究所, 金属有机化学国家重点实验室, 上海 200032

收稿日期:2024-05-27 录用日期:2024-08-14 发布日期:2025-03-19
通讯作者: 刘智攀 E-mail:zpliu@fudan.edu.cn
基金资助:
国家自然科学基金(12188101,22033003,22122301,91945301,91745201)；中央高校基本科研基金(20720220011)；腾讯基金会科学探索奖

Application of Machine Learning Potential-based Theoretical Simulations in Undergraduate Teaching Laboratory Course Design

Xintian Xie¹, Sicong Ma², Yefei Li¹, Cheng Shang¹, Zhipan Liu^1,2

1 Collaborative Innovation Center of Chemistry for Energy Material, Shanghai Key Laboratory of Molecular Catalysis and Innovative Materials, Key Laboratory of Computational Physical Science, Ministry of Education, Department of Chemistry, Fudan University, Shanghai 200433, China;
2 State Key Laboratory of Organometallic Chemistry, Shanghai Institute of Organic Chemistry, Chinese Academy of Sciences, Shanghai 200032, China

Received:2024-05-27 Accepted:2024-08-14 Published:2025-03-19
Contact: Zhipan Liu E-mail:zpliu@fudan.edu.cn

摘要/Abstract

摘要： 为了更好地培养新时代化学人才，在本科生教育体系中设置相关模拟上机课程具有重要意义。本文以本课题组开发的模拟方法和软件为例，设计了两个模拟实验，即“H₂在Cu(111)表面解离反应势能面的构建”和“沸石分子筛表面酸性表征及模拟”,旨在加深化学与材料学科本科生对理论模拟的理解，感受人工智能技术带来的巨大进步。

关键词: 理论模拟实验, 人工智能, 势能面搜索

Abstract: Integrating theoretical simulation courses into undergraduate education for chemistry and materials science is of great significance for cultivating modern chemistry talents. Using the simulation methods and software developed by our research group, we designed two simulation experiments: "Construction of the Potential Energy Surface for H₂ Dissociation on the Cu(111) Surface" and "Characterization and Simulation of Acidity on Zeolite Molecular Sieve Surfaces". These experiments aim to deepen the undergraduates’ comprehension of theoretical simulations and highlight the transformative advancements driven by artificial intelligence technology.

Key words: Experiment of simulation, Artificial intelligence, Potential energy surface exploration

谢忻恬, 马思聪, 李晔飞, 商城, 刘智攀. 基于机器学习势函数的理论模拟在本科生教学实验课设计中的应用[J]. 大学化学, 2025, 40(3): 140-147.

Xintian Xie, Sicong Ma, Yefei Li, Cheng Shang, Zhipan Liu. Application of Machine Learning Potential-based Theoretical Simulations in Undergraduate Teaching Laboratory Course Design[J]. University Chemistry, 2025, 40(3): 140-147.

链接本文: https://www.dxhx.pku.edu.cn/CN/10.12461/PKU.DXHX202405164

https://www.dxhx.pku.edu.cn/CN/Y2025/V40/I3/140

参考文献

[1] Lecun, Y.; Bengio, Y.; Hinton, G. Nature 2015, 521 (7553), 436.
[2] Lawrence S.; Giles C. L.; Tsoi A. C.; Back A. D. IEEE Trans. Neural Netw. 1997, 8 (1), 98.
[3] Krizhevsky, A.; Sutskever, I.; Hinton, G. E. Commun. ACM 2012, 60, 84.
[4] Wang, H.; Zhang, L. F.; Han, J. Q.; E, W. N. Comput. Phys. Commun. 2018, 228, 178.
[5] Dral, P. O. J. Comput. Chem. 2019, 40 (26), 2339.
[6] Huang, S.-D.; Shang, C.; Kang, P.-L.; Zhang, X.-J.; Liu, Z.-P. Wiley Interdiscip. Rev.: Comput. Mol. Sci. 2019, 9, e1415.
[7] Behler, J.; Parrinello, M. Phys. Rev. Lett. 2007, 98 (14), 146401.
[8] Behler, J.; Martoňák, R.; Donadio, D.; Parrinello, M. Phys. Rev. Lett. 2008, 100 (18), 185501.
[9] Shang, C.; Huang, S.-D.; Liu, Z.-P. J. Comput. Chem. 2019, 40 (10), 1091.
[10] Huang, S.-D.; Shang, C.; Kang, P.-L.; Liu, Z.-P. Chem. Sci. 2018, 9 (46), 8644.
[11] Kang, P.-L.; Yang, Z.-X.; Shang, C.; Liu, Z.-P. J. Chem. Theory Comput. 2023, 19 (21), 7972.
[12] Shang, C.; Liu, Z.-P. J. Chem. Theory Comput. 2013, 9 (3), 1838.
[13] Zhang, X.-J.; Liu, Z.-P. Phys. Chem. Chem. Phys. 2015, 17 (4), 2757.
[14] Shang, C.; Liu, Z.-P. J. Chem. Theory Comput. 2010, 6 (4), 1136.
[15] Zhang, X.-J.; Shang, C.; Liu, Z.-P. J. Chem. Theory Comput. 2013, 9 (12), 5745.
[16] Kresse, G.; Furthmüller, J. Comput. Mater. Sci. 1996, 6 (1), 15.
[17] Soler, J. M.; Artacho, E.; Gale, J. D.; Garcia, A.; Junquera, J.; Ordejon, P.; Sanchez-Portal, D. J. Phys.: Condens. Matter 2002, 14, 2745.
[18] Plimpton, S. J. Comput. Phys. 1995, 117 (1), 1.
[19] Frisch, M. J.; Trucks, G. W.; Schlegel, H. B.; Scuseria, G. E.; Robb, M. A.; Cheeseman, J. R.; Scalmani, G.; Barone, V.; Mennucci, B.; Petersson, G. A.; et al. Gaussian 09, Revision D.01; Gaussian Inc.: Wallingford, CT, USA, 2009.
[20] Hutter, J.; Iannuzzi, M.; Schiffmann, F.; Vandevondele, J. Wiley Interdiscip. Rev.: Comput. Mol. Sci. 2014, 4 (1), 15.
[21] Database of Zeolite Structures. http://www.iza-structure.org/databases/ (accessed Feb. 12, 2025)
[22] Ma, S.; Liu, Z.-P. Chem. Sci. 2022, 13 (18), 5055.

基于机器学习势函数的理论模拟在本科生教学实验课设计中的应用

Application of Machine Learning Potential-based Theoretical Simulations in Undergraduate Teaching Laboratory Course Design

PDF

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

推荐阅读 0

[1]	陶呈安, 黄坚, 李玉姣. 大学化学实验教学人工智能的应用探讨[J]. 大学化学, 2025, 40(9): 5 -10 .
[2]	秦磊, 郭凯. 生成式人工智能在酸碱中和滴定图像模拟中的应用[J]. 大学化学, 2025, 40(9): 11 -18 .
[3]	朱伟钢, 王建凤, 齐强, 李婧, 张志成, 于曦. 面向智能时代的化学信息学与人工智能化学理论课程建设[J]. 大学化学, 2025, 40(9): 34 -42 .
[4]	马逍, 王俊杰, 陈鑫, 李京城, 赵丽红, 孙雪萍, 程绍娟, 王芳. 人工智能驱动的化学教学组织形式创新路径探究[J]. 大学化学, 2025, 40(9): 99 -106 .
[5]	杨润, 庞华婕, 臧惠萍, 张瑞中, 张志成, 李希艳, 张立兵. 人工智能赋能DNA计算：探索生物信息的新前沿[J]. 大学化学, 2025, 40(9): 107 -117 .
[6]	张岩, 周立敏, 曹晓燕, 包木太. 人工智能在海洋特色物理化学综合实验中的应用探索[J]. 大学化学, 2025, 40(9): 118 -125 .
[7]	林琦, 刘坚华, 姚莉韵, 杨秀岩, 何伟娜, 杨若林. 超星AI助教在医用有机化学课程中的应用探索[J]. 大学化学, 2025, 40(9): 142 -147 .
[8]	张浩然, 金亚鑫, 康鹏, 张生. 人工智能在科学研究中的融合创新应用——以双碳目标背景下的二氧化碳电催化还原为例[J]. 大学化学, 2025, 40(9): 148 -155 .
[9]	冯五一, 赵娣. 浅谈人工智能技术融入高校化学教学的意义和举措[J]. 大学化学, 2025, 40(9): 156 -163 .
[10]	房喻. 人工智能赋能教育：从跟随ChatGPT-4进行的一次自主学习说起[J]. 大学化学, 2025, 40(9): 1 -4 .
[11]	吴凌莉, 雷圣宾. 生成式人工智能驱动化学创新教学的现状及展望[J]. 大学化学, 2025, 40(9): 206 -219 .
[12]	陈良俊, 张裕, 张志成, 彭永武. 人工智能赋能大学化学教育改革：信息化与智能化素养培养的实践探索[J]. 大学化学, 2025, 40(9): 220 -227 .
[13]	刘怡帆, 彭浩南. AI辅助开启化学的新篇章——人工智能在化学领域的应用与发展综述[J]. 大学化学, 2025, 40(7): 189 -199 .
[14]	崔美荣, 谢茉, 晁洁. 人工智能赋能物理化学实验课程的设计与思考[J]. 大学化学, 2025, 40(5): 291 -300 .
[15]	张颖, 葛芳, 罗志敏. AI赋能生物化学教学研究——基因突变的功能效应预测[J]. 大学化学, 2025, 40(3): 277 -284 .