一个模型搞定元素周期表常见元素：中国团队打造分子模拟预训练模型，最高节省90%数据

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。

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。

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。