学位论文简介
人工智能技术通过学习从微观结构到物理性质的映射关系，为材料微观尺度模拟加速提供了新途径，但在复杂材料场景中仍面临高保真标注稀疏、多源异构数据融合困难、分布外泛化不足等瓶颈。本文以含能晶体界面粘结剂筛选、高熵合金空位扩散等典型微观模拟任务为牵引，围绕材料性质预测、微观机制分析与长时演化三类核心任务，从数据构建、模型设计与体系集成三个维度展开系统研究，构建了贯通“性质—机制—演化”全链条的多层级智能化计算体系。主要创新成果如下：
针对热力学性质预测中高保真标注稀疏与高低保真数据异构融合难题，提出多保真级联代理加速方法cMD-FEP。该方法以自由能微扰为高保真标签、分子动力学相互作用能为低保真标签，通过粗筛-精筛两阶段框架将高保真评价范围压缩至全候选空间10%以内，实现百万候选分子分钟级筛选。
针对微观机制分析中平稳与波动轨迹异构、离散拟合泛化不足的挑战，提出连续轨迹时序代理加速方法BiLSTMK-MD。该方法以连续物理量替代离散状态学习，融合注意力机制与KAN非线性层统一处理异构轨迹，输出对接统计力学流程，实现百倍级采样压缩与自由能面重建
针对长期行为演化中长尾局域环境与过渡态标注稀疏叠加挑战，提出深度势函数-事件驱动动力学加速方法DP-SEAKMC。该方法耦合预训练大原子模型与自适应动力学蒙特卡洛，通过主动学习探索未覆盖构型与多温度蒸馏提升泛化，事件搜索加速超1.2×10⁵倍，将扩散模拟推进至微秒量级，使传统不可行的长时扩散模拟变得可行。
（4）在上述工作基础上，形成了“多源异构标签融合—端到端物理量预测—多层级递进加速”的系统框架，实现了跨保真度、跨分布、跨状态三类异构数据的协同利用，建立了从结构到自由能、从轨迹涨落到能量增量/构象转变、从局域环境到迁移能垒的端到端预测策略，贯通了“性质—机制—演化”全链条闭环。该框架将性质预测、机制解析与长时演化协同加速，深化了对热力学与动力学行为的认知，为材料高效计算研发提供了系统支撑，也为物理知识嵌入数据驱动策略推动人工智能方法创新提供了实践参照。
主要学术成果
Mo M, Yu H, Zhou X, et al. CMD‐FEP: Machine‐Learned Free‐Energy Prediction for Efficient Screening of Material Interfacial Binder[J]. Advanced Functional Materials, 2026: e29571. （SCI， IF=19，中科院1区）
Mo M, Yu H, Wu C, et al. A Neural Time-Series Learning Method for Accelerating FreeEnergy Perturbation and Rare-Event Molecular Dynamics Simulations[J]. Journal of Chemical Information and Modeling, 2026. （SCI，IF=5.3，中科院2区）
Zhou L, Liu T, Mo M, et al. Exploring the binding affinity and mechanism between ACE2 and the trimers of Delta and Omicron spike proteins by molecular dynamics simulation and bioassay[J]. Journal of Chemical Information and Modeling, 2022, 62(18): 4512-4522. （SCI，共同第一作者，IF=5.3，中科院2区）
