在2024年4月13日至4月14日，张田雷教授及其课题组全体研究生参加了一场关于机器学习及分子动力学模拟技术与应用的线上培训课程。机器学习是一种能够从海量数据中学习并发现规律的算法，具有自我学习和优化的能力。在分子动力学模拟中，机器学习技术可以用于分析和优化模拟数据，从而提高模拟效率。通过将机器学习算法与分子动力学模拟相结合，我们可以实现更快速、更准确的模拟，进一步深入理解分子体系的性质和行为。

  在培训过程中，大家学会了如何使用各种分子动力学软件模拟分析各种性质和数据，以及如何使用DFT软件生成机器学习模型所需的数据。培训还包括机器学习数据集的获取方法，如何训练一个机器学习模型，以及如何使用LAMMPS执行基于机器学习的分子动力学模拟，并将模拟结果与传统方法进行对比，包括精度和数据效率等方面。

  在培训结束后，大家分享了自己的体会和感悟，并积极讨论了如何将机器学习与团簇构型搜索分析以及分子动力学模拟进行联用，以推动课题组的发展。最后由张田雷教授进行总结并提出以下三点：

1.       分子动力学模拟需要计算每个时刻千万粒子的势能面。机器学习算法可以高效拟合这些势能面，从而加速计算过程。通过训练机器学习模型预测势能面的形状，可以极大的减少计算量，提高模拟效率。

2.       机器学习可以帮助预测分子在不同条件下的构型。通过对大量已知构型进行训练，机器学习模型可以学习到分子构型与条件之间的关系，并用于预测新条件下的构型。这对课题组在气溶胶新粒子形成方面的研究具有重要意义。

3.       将机器学习算法与分子动力学模拟相结合，将实现更快速、更准确的模拟，为深入理解分子体系的性质和行为提供有力支持。这一领域的研究将持续推动计算化学的发展，为未来的科学研究带来新的机遇。