![]()
过去几年里，AI x Science 成为最受关注的领域之一，出现了很多令人瞩目的研究成果。在数学、物理、化学、生物、材料、地质等更广泛的基础科学领域，AI 技术为它们带来了全新的系统性机遇，以深度学习为代表的人工智能与科学计算结合形成了新的计算方法。
为了更好地促进学术交流，尤其是交叉学科和前沿工作的同行交流，机器之心与中科院自动化所联合举办「人工智能 x 基础科学系列论坛」，尝试在更轻松和开放的交流氛围下，邀请研究者分享近期工作，讨论领域热点问题。
10月19日10:00-12:00，机器之心、中科院自动化所与中科院香港创新研究院人工智能与机器人创新中心联合举办系列论坛第四期，以「当人工智能遇到材料与化学」为主题，特邀暨南大学化学与材料学院教授李风煜主持，多位领域专家做技术分享，聚焦材料与化学领域的人工智能应用。
![]()
李风煜：
暨南大学化学与材料学院教授，国际电工协会印刷电子标准委员会专家。主要从事高效复杂系统分析、聚合物光子晶体与柔性电子器件的研究。发表 SCI 论文70多篇，影响因子大于10的学术期刊论文30篇，15次被选为期刊的封面/内封面文章。申请中国发明专利15项，授权5 项，国际专利2项。2015年作为首批中国专家，在国际印刷电子标准委员会中提交中国首个印刷电子国际标准（关于印刷边界波浪起伏测定）。2015年作为执笔人参与起草中国印刷及设备器材工业协会《中国印刷产业技术发展路线图》。获2013、2016年获化学所青年科学奖特优奖；2015年中国科学院科技促进发展奖二等奖；2016年北京市科学技术奖一等奖。
特邀嘉宾与主题介绍
嘉宾简介：
陈冠华，现任香港大学化学系教授及香港量子人工智能实验室中心主任，为英国皇家化学会会士及美国物理学会会士。他多年来专注于薛定谔方程的精确求解，并率先引进AI与量子化学的结合，实现新材料及新器件的预测及设计。
分享背景：
量子化学领域的终极目标之一，就是通过计算机模拟发现新材料及药物，以及设计新器件，而实现这个梦想的关键，就是精确求解薛定谔方程：一个包含了所有化学领域和绝大部份物理的数学理论所需的基本物理学定律。只要在多体问题中精确求解这个方程，就能精确模拟所有材料的微观结构。
然而，如何精确求解薛定谔方程，是个难度相当大的问题。
1965年，沃尔特.科恩提出 Kohn-Sham 方程，推进了密度泛函理论（DFT）的应用，通过采用只有三个变量的函数的电子密度取代复杂的波函数作为研究的基本量，为量子化学计算带来突破。
量子化学领域的重点之一，从此聚焦在如何通过近似的计算，找到方程中的有效势能。
其中最出名的近似求解的方法，由 A.D. Becke 等科学家提出，相关的两篇论文 B3LYP (1994) 均被引用超过10万次，在世界高引论文 Top 100 排名前10。
然而，这离精确求解多体问题仍有距离。
从2003年开始，陈冠华教授率先引进AI提升计算精度，实现在少量实验数据情况下，极大提高有机分子生成热的计算精度。
同时，陈冠华教授运用 AI 寻找精确密度泛函，于2004年发表了相关论文。
2019年，陈冠华教授研究小组发表严格用深度学习构建密度泛函的理论，为精确求解薛定谔方程提出了可行的方案。
此次讲座，陈冠华教授将和大家分享其二十多年来在AI+量子化学领域的科研成果及未来的发展方向。
分享摘要：
陈冠华教授团队通过运用 AI 及量子化学的优势，结合少量实验验证，打造新一代集成式多尺度计算机模拟（In Silico）平台，并将半导体领域中电子设计自动化（EDA）的成功经验转移到能源、光电子和化工行业等新材料与器件设计领域。
嘉宾简介：
江俊，中国科学技术大学教授，瑞典皇家工学院化学博士，入选国家基金委杰青。发展融合数据智能技术的量子化学模拟方法，研究物理化学领域中的应用问题。获中国化学会唐敖庆青年理论化学家奖、日本化学会亚洲杰出讲座奖。
分享背景：
随着物质科学研究深入复杂体系，结构与性质的演化复杂度陡增，传统研究范式下的数学映射关系逐渐变得模糊。人工智能技术擅长从数据中探索变量之间的高维关联，为底层规则清晰而变量复杂的科学问题提供求解思路。通过发展机器学习与量子化学计算结合的理论方法，我们可以挖掘与谱学观测相关的化学描述符，利用机器学习在保持量子化学精度的前提下大幅度提升光谱计算的效率，实现蛋白质分子光谱、催化剂表面分子光谱的高效模拟，推演光谱响应、化学结构、物化性质之间的数学关系乃至理论规律。
分享摘要：
借助机器学习，我们可以破解复杂系统的谱学规律，建立「谱-构-效」关系，开发自动化机器人执行合成、表征、测试的化学实验全流程，为具备「科学思维」的机器化学家提供数据支撑、智能软件和系统基础。
相关论文：
https://www.bilibili.com/video/BV1Hd4y1i75c/
嘉宾简介：
刘淼博士，现就职于中科院物理所/松山湖材料实验室，任特聘研究员、博士生导师。他毕业于中国科学技术大学物理系和美国犹他大学材料系，后加入劳伦斯伯克利国家实验室从事博士后研究。他致力于发展「材料大数据+人工智能」方向的研究，运用高通量第一性原理计算为领域构建业界顶级数据库，将海量科学数据带到科研人员手中。他创建的 Atomly.net 材料科学数据库是世界范围内数据质量和数量最好的数据库之一。
分享背景：
材料科学是现代工业的基础，新材料研发是我国的战略性方向。历经数十年，欧美都已建立了各自的材料数据库，正在将材料科学推进到大数据时代。发展具有我国自主知识产权的材料库，可补全我国的材料研发链条，健全材料研发完整的生态体系，深度提升我国的材料研发生产力。中国科学院物理研究所、松山湖材料实验室和怀柔材料基因平台的科学工作者经历了4年多的不懈努力，建成 Atomly 材料数据库，并将无机晶体材料种类扩充到了33余万个，数据规模和质量已经跻身世界一流水准，改变了我国物理、化学、材料科学等领域长期依赖欧美数据库的被动局面，为我国物质科学发展提供了优质的基础数据及平台，提升了整个行业的生产力、效率及竞争力。
分享摘要：
Atomly 材料科学数据库借助基于量子力学原理的高通量计算，构建无机晶体材料的海量数据集，进而解锁新材料体系的快速搜索和人工智能预测，或将带来材料科学的范式变革。
相关论文：
加群看直播
交流群：本次直播有QA环节，欢迎加入本次直播交流群探讨交流。
机器之心与中科院自动化研究所与联合举办「人工智能×基础科学系列论坛」已举办三期，主题分别为「受物理启发的深度学习」、「深度学习中的数学优化问题」、「后 AlphaFold 时代，中国蛋白质计算新进展」。
微信扫码咨询专知VIP会员