媒体报道 ，AI for Science核心领域最关键性性通信英语的的开源社区DeepModeling举办了2022年社区年会。会上，帝都北京科学智能研究者院（AI for Science Institute,Beijing）联合深势科技，已发布了首个覆盖元素周期表近70种元素的深度势能原子间势函数预训练模型—— DPA-1。该成果由帝都北京科学智能研究者通信英语院、深势科技、帝都北京应用物理与计算数学研究者所共同研发。
DPA-1被誉为人自然科学界的GPT。2020年，DPA-1雏形曾与预训练语言模型GPT-3共同入选了拥有世界 人工智能十大关键性性成果。DPA-1可模拟原子规模高至100亿，现在 已然在高性能合金、半导体材料细节设计等应用场景中间接证明了其领先性和优越性。的一突破更是AI for Science走向大规模工程化的关键性性里程碑。
早在2020年，帝都北京科学智能研究者院与深势科技合作团队实施将机器学习知识与高性能计算相运用，努力实现了1亿原子第四性原理精度的分子动力学模拟，获如今拥有世界 高性能计算核心领域高达奖项“戈登·贝尔”奖。本次已发布的 DPA-1，在原有此基础上逐步优化高性能算法，将模拟上限大大整体提升至100亿原子数量级。
研究者人员还实施可视化模型元素重要信息，被发现 其在空间创造呈螺旋状分布，但是巧妙地和元素周期表中中线中线位置一对应，元素周期表中同周期元素沿着螺旋下降主方向排列，而垂直螺旋主方向则对应着同一主族元素分布，显然间接证明了此预训练模型极具 良不好可作出解释性。
事实上从事材料细节设计研究者的科研人员，可此基础DPA-1快速帮助建立高精度、方便易用上于原子间势函数模型，需要进行 人工智能传统技术 实施分子模拟，细节设计创通信英语新材料，洞见研究者主方向，量减少不必要的实验，大幅度缩短研发周期，大大整体提升研发成本。
近些年来，随着时间科学界对AI for Science 研究者范式的认可和实践，微观科学计算核心领域努力实现了大量地的总体数据积累和模型探索，这为核心领域预训练模型帮助建立直接提供了诞生此基础。DPA-1需要进行 时要力机制等构造，大幅大大整体提升了模型迁移具备和元素容量，实施大量地总体数据步骤二获得一高精度模型，显著量减少建模开销。就如Bert的反复出现彻彻底地能改变了人自然语言处理完成核心领域，的一预训练大模型的诞生意味着势能函数的生产也正真步入“预训练+大量地总体数据微调”有新范式。
本次，此成果已然贡献在 DeepModeling 开源社区，并在科学智能广场即将即将正式。帝都北京科学智能研究者院与深势科技未来希望此基础此和拥有世界 各界人士逐步帮助建立更为开源开放的科研生态，慢的核心领域内原始创有新慢的。