你的位置：
首页
>
业界
>
DPA-1 遇见指南｜DP-SSE 固态电解质实战
为了生产一个机器学习势函数，你积累了大量的第一性原理数据，却发现训练模型的样本效率不足，迁移性差。如此大的花费只能体验“一次性”的机器学习分子动力学模拟 (MLMD)？这未免太贵了！
ChatGPT 等大规模语言模型的成功让我们看到了“预训练模型+少量新数据微调”解决这一难题的可能，势函数生产能否参考此训练策略进行？
图 1｜预训练模型+少量新数据微调范式
在此思路上，深势科技以及北京科学智能研究院研究员张铎、毕航睿等人和合作者在 arXiv 上预发表了《DPA-1: Pretraining of Attention-based Deep Potential Model for Molecular Simulation》文章。
通过对元素类型更优的编码以及利用关键的注意力机制，极大提高了 Deep Potential 之前版本模型的容量和迁移能力，获得了覆盖元素周期表大多常见元素的大型预训练模型 DPA-1。在不同数据集上的迁移学习结果表明，模型能大幅降低新场景对数据的依赖。
现在，你已经知道了 DPA-1 是一个基于注意力机制的 DP 模型，它有效地描述了原子间相互作用；训练后，可以显著减少下游任务的额外工作。
为了生产一个机器学习势函数，你积累了大量的第一性原理数据，却发现训练模型的样本效率不足，迁移性差。如此大的花费只能体验“一次性”的机器学习分子动力学模拟 (MLMD)？这未免太贵了！
ChatGPT 等大规模语言模型的成功让我们看到了“预训练模型+少量新数据微调”解决这一难题的可能，势函数生产能否参考此训练策略进行？
图 1｜预训练模型+少量新数据微调范式
在此思路上，深势科技以及北京科学智能研究院研究员张铎、毕航睿等人和合作者在 arXiv 上预发表了《DPA-1: Pretraining of Attention-based Deep Potential Model for Molecular Simulation》文章。
通过对元素类型更优的编码以及利用关键的注意力机制，极大提高了 Deep Potential 之前版本模型的容量和迁移能力，获得了覆盖元素周期表大多常见元素的大型预训练模型 DPA-1。在不同数据集上的迁移学习结果表明，模型能大幅降低新场景对数据的依赖。
现在，你已经知道了 DPA-1 是一个基于注意力机制的 DP 模型，它有效地描述了原子间相互作用；训练后，可以显著减少下游任务的额外工作。