主要观点总结
文章介绍了中国科学院物理研究所/北京凝聚态物理国家研究中心孟胜、刘淼研究员团队与松山湖材料实验室联合开发的一种基于深度学习图结构的通用预训练力场模型GPTFF。该模型可以精确预测原子间相互作用，具备高精度和泛化能力，适用于大体系及复杂体系的分子动力学模拟。该成果发表在《Science Bulletin》杂志。
关键观点总结
关键观点1: GPTFF模型的开发背景和意义
文章指出了物质科学中理解原子间相互作用的重要性，以及现有方法的限制。GPTFF模型的开是一种创新性的解决方案，可广泛应用于物质物理、材料、化学等领域。
关键观点2: GPTFF模型的技术特点和优势
GPTFF模型基于深度学习图结构，利用Atomly数据库中的数据和transformer算法的注意力机制，可精确预测原子间相互作用。它具有出色的精度和泛化能力，适用于几乎任意无机化合物的近平衡态。
关键观点3: GPTFF模型的应用
GPTFF模型支持开箱即用，可直接用于化合物的结构优化、相变模拟、物质输运等科学问题的研究。此外，它在晶体结构弛豫、固态电解质中的离子疏运、金属在应力下的相变等方面有潜在应用。
关键观点4: GPTFF模型的开源和自主可控
GPTFF模型的算法、程序、模型参数已经开源，并且训练数据源自自研的Atomly材料数据库。这是我国唯一可对标欧美竞品的无机材料数据库，知识产权自主可控。
文章预览
物质科学的核心问题之一是理解原子间的相互作用。如果我们能建立一个原子尺度的通用力场，便可创造一个原子间相互作用的求解器，从而通过分子动力学模拟诸多物质科学问题。 前辈科学家们发明的量子化学/密度泛函理论（Quantum Chemistry/Density Functional Theory）通过求解薛定谔方程造就了一个模拟物质科学的大一统方法。通过此类方法，人们可以精确求解任意化合物体系中原子间相互作用，较为完美的解决了这个问题。但是密度泛函理论需要强大的算力，仅适用于数十至数百原子体系，无法线性扩展至大体系或复杂体系；而传统的分子动力学方法，虽然运算速度快，但是力场精度低、力场适用体系少，因此存在诸多限制。 中国科学院物理研究所/北京凝聚态物理国家研究中心孟胜、刘淼研究员联合松山湖材料实验室团队 ，研发了一种基于深度学
………………………………
