应广大用户需求，我们很高兴地宣布，Pavlo O. Dral教授2025年7月主讲的《计算化学与人工智能》在线课程现已面向学术用户免费开放。🎓

📚首期课程（2024年6月班）广受好评，有学员这样评价：

“Dral博士的课程精彩呈现了化学领域机器学习的基本概念！”

2. 📂 进入课程：登录后点击左侧导航栏的课程图

large_WechatIMG1199.jpg

medium_WechatIMG1199.jpg

small_WechatIMG1199.jpg

thumbnail_WechatIMG1199.jpg

WechatIMG1199.jpg

3. 📝 立即申请：点击页面上的“Apply”按钮即可报名

large_WechatIMG1198.jpg

medium_WechatIMG1198.jpg

small_WechatIMG1198.jpg

thumbnail_WechatIMG1198.jpg

WechatIMG1198.jpg

✅ 只要符合条件（特别是使用高校邮箱等可验证的学术身份注册），申请通常会在24小时内获批。

若您觉得课程有帮助，欢迎通过contact@aitomistic.com提交：

课程反馈、改进建议、学习心得

也诚邀您将本课程推荐给可能受益的同事、学生或朋友。感谢您与我们一起推动学术共同体发展！

large_Online Course_02(1).jpg

medium_Online Course_02(1).jpg

small_Online Course_02(1).jpg

thumbnail_Online Course_02(1).jpg

Online Course_02(1).jpg

Pavlo O. Dral教授2025年7月主讲的《计算化学与人工智能》在线课程现已面向学术用户免费开放。

计算化学与人工智能课程：限时对学术用户免费开放！

想做计算化学模拟却苦于复杂的代码和有限的计算资源？想做实验却因缺乏理论指导而迷失方向？别担心，你的得力助手来了！

Aitomia（拟核智元）：一款用户友好的智能化学模拟助手

，即将闪亮登场！它集成了人工智能驱动的原子尺度模拟与量子化学专业知识，旨在帮助你完成复杂化学模拟的设置、运行和结果分析。Aitomia基于成熟的

，加速几何结构优化、光谱模拟、分子动力学模拟等多种功能。

large_image3.jpg

medium_image3.jpg

small_image3.jpg

thumbnail_image3.jpg

image3.jpg

Aitomia是首个面向原子尺度模拟的云端智能助手，现已在

云计算平台正式发布！立即注册即可免费体验。在下方演示视频中，用户通过中文询问“己醇的分子结构是什么”，Aitomia即刻响应并在交互式界面中展示分子三维结构。当用户进一步要求计算红外光谱时，Aitomia凭借其核心AIQM技术，在极短时间内便生成了与实验数据高度吻合的光谱图。

如果您希望本地安装Aitomia（及其他功能）以确保计算数据的完全私密性，我们同样提供相关方案。如有任何疑问，欢迎通过contact@aitomistic.com联系我们。您还可以订阅Aitomistic的最新动态，及时获取Aitomia的版本更新、功能升级及其他相关资讯。

large_thumbnail_2_01.png

medium_thumbnail_2_01.png

small_thumbnail_2_01.png

thumbnail_thumbnail_2_01.png

thumbnail_2_01.png

现已在Aitomistic Hub云计算平台正式发布！立即注册即可免费体验。

Aitomia：人工智能驱动的原子和量子化学模拟的智能助手

通用机器学习势在激发态中的应用是可能的吗？这样的势能将成为重要突破，使先进光电材料设计等应用领域成为可能。

到目前为止，已经有很多适用于基态模拟的通用机器学习势，如ANI-1ccx, MACE-OFF, 和我们研发的

，其中最早的可以追溯到2017年。但是8年过去了，仍然没有可以用于激发态的通用机器学习势。

所以关键的难题到底是什么？在这里我们想告诉大家，这并非不可能。我们构建了有史以来

它可以在毫秒内实现近似TD-DFT精度的激发态模拟，明显快于传统方法。在此，我们向您展示于

平台的实时演示，可见，模拟过程在极短的时间内完成了。

如果您也对此感兴趣，欢迎登录Aitomistic Hub平台上的Jupiter Notebook来亲自体验（

想要更为深入的解析吗？想要完整教程或线上答疑的机会吗？心动不如行动，欢迎留下你的想法！

不得不说，新的方法仍有进一步的探索空间。这是任何技术创新的必经之路，但是，面对这个曾经的开放性难题，OMNI-P2x的诞生，依然是强有力的答案。

large_thumbnail_2_04.png

medium_thumbnail_2_04.png

small_thumbnail_2_04.png

thumbnail_thumbnail_2_04.png

thumbnail_2_04.png

它可以在毫秒内实现近似TD-DFT精度的激发态模拟，明显快于传统方法。

OMNI-P2x: 毫秒级TD-DFT精度激发态模拟

我们的研究人员近期发表在《npj Computational Materials》的

提出了一种高效的机器学习协议，用于加速轨迹面跳跃动力学模拟，同时解决了激发态机器学习中的多个关键难题。该协议引入了一种新的基于多态学习和对圆锥交叉附近关键区域加速采样的机器学习原子间势。所有方法以及端到端主动学习均集成于

分子激发态的量子化学模拟对于理解光化学与光物理过程至关重要，但这类计算非常昂贵，尤其是在进行非绝热动力学模拟时。机器学习通过替代昂贵的量子化学计算成为解决这一问题的理想工具，然而，由于激发态本身的复杂性，激发态机器学习的发展远远落后于基态机器学习（参见我们在

large_toc-graph-with_text.webp

medium_toc-graph-with_text.webp

small_toc-graph-with_text.webp

thumbnail_toc-graph-with_text.webp

toc-graph-with_text.webp

针对激发态机器学习的核心挑战，这项历经八年深度研究的成果提出了全面而稳健的解决方案。其核心是多态学习模型MS-ANI，该模型能够以前所未有的精度学习多种分子的激发态。其关键思想是将“电子态编号”作为输入特征之一，与ANI原子环境向量拼接后输入对应元素类型的神经网络。值得注意的是，该模型学习激发态的准确性甚至优于或相当于学习基态能量的准确性，并且激发态能量信息还能提升基态预测的质量。

small_image-1.webp

thumbnail_image-1.webp

image-1.webp

要训练适用于非绝热动力学的稳健势能模型，一个关键要素是在圆锥交叉附近区域实现加速采样。我们在这项工作中通过gapMD 实现了这一点。gapMD 可以在需要时利用相邻态之间的能量梯度差来传播轨迹，从而增强对低能隙区域的采样。

small_image-2.webp

thumbnail_image-2.webp

image-2.webp

结合上述技术，我们实现了端到端主动学习框架，用于生成机器学习模型以执行非绝热动力学模拟。

small_image-3.webp

thumbnail_image-3.webp

image-3.webp

对于像富烯这样简单的体系，主动学习收敛非常快，在一张 GPU 卡上运行三天即可完成。

large_image-4.webp

medium_image-4.webp

small_image-4.webp

thumbnail_image-4.webp

image-4.webp

该主动学习框架同样适用于更复杂的体系，例如可以用于计算光反应的量子产率。我们还发现了顺式-偶氮苯光异构化过程中的长时间尺度振荡现象。

small_image-5.webp

thumbnail_image-5.webp

image-5.webp

研究还首次证实单一模型可适用于不同分子的非绝热动力学模拟，这为我们后续开发首个

若需深入了解，可观看论文第一作者Mikolaj Martyka讲解理论背景与实时操作的教学视频。

large_npj.png

medium_npj.png

small_npj.png

thumbnail_npj.png

npj.png

该协议引入了一种新的基于多态学习和对圆锥交叉附近关键区域加速采样的机器学习原子间势。

新闻

计算化学与人工智能课程：限时对学术用户免费开放！

Aitomia：人工智能驱动的原子和量子化学模拟的智能助手

OMNI-P2x: 毫秒级TD-DFT精度激发态模拟

npj Comput. Mater.：高效机器学习协议加速轨迹面跳跃动力学