第一性原理计算准确但成本高昂，而建立在传统原子间势函数(力场)基础上的分子动力学模拟速率快但精度低。为了兼顾速率与准确性，机器学习(ML)势函数应运而生并得到广泛应用。深度势能(DP)为ML势的一种，近年来备受关注。本文概述了DP方法在材料科学中的应用。首先介绍了DP的理论基础，随后详细阐述了DP模型的构建和使用，并简要回顾了DP方法在多种材料体系中的应用情况。AIS-Square为DP模型的开发提供了训练数据库及工作流。之后，对比了DP模型与第一性原理计算方法及传统势函数在精度和效率上的表现。最后，对DP方法的发展前景进行了展望。

铁电材料作为一类具有自发极化且极化外场可控的功能材料，在非易失信息存储方面有着广阔的应用前景，同时也面临着许多挑战。铁电材料的性能与在外场作用下极化的动力学行为密切相关，在观测精度受限的实验条件下，高精度的原子级材料模拟手段显得尤为重要。分子动力学为在较大的空间和时间尺度上研究材料动力学过程提供了理想的手段，然而受制于传统力场精度差、开发难度高、可移植性差等问题，基于经典力场的分子动力学模拟在新材料上的应用受到了较大的阻碍。机器学习方法的发展为力场开发带来了新的思路。在众多机器学习势中，深度势能(DP)是一种基于深度神经网络的势能模型，具备与密度泛函理论(DFT)相媲美的精度，同时还拥有接近传统经典力场的高效计算性能。本文主要介绍了DP在铁电材料中的开发与应用，通过DP模拟，在原子尺度深入探究铁电材料中的相变机制和极化反转过程。主要工作包括重要铁电材料HfO₂、经典钙钛矿铁电材料的深度势开发和测评，基于深度势能分子动力学揭示铁电HfO₂中超高O^2-迁移率的微观机制，以及SrTiO₃极性畴界诱导的挠曲铁电和体光伏效应。

凝固形核是材料科学、凝聚态物理等领域长盛不衰的研究热点。分子动力学以及增强采样方法为从原子尺度原位观察凝固过程微观机理、解析相变热力学与动力学性质提供了有力手段。近年来，该领域的研究者们开发了一些融合机器学习技术的先进分子动力学模拟新方法，在多种体系的形核研究中取得了一定成果。本文首先回顾了凝固形核的基本理论，并从势函数、增强采样、形核序参量3个方面介绍凝固形核模拟研究中的常用方法以及机器学习技术在其中的应用。然后，选取了几个具有代表性的体系并介绍相关方法的实际应用。最后，对机器学习分子动力学辅助材料凝固形核模拟研究领域进行了总结与展望。

随着人工智能(AI)技术的迅速发展，机器学习在材料研发与设计中发挥着越来越重要的作用。传统机器学习模型往往为“黑盒”模型，限制了科研人员对模型决策过程的理解和信任。而可解释机器学习(XML)可以揭示机器学习模型的内部机制，提供对模型决策过程的洞察。本文从可解释机器学习的基础知识出发，概述了可解释机器学习方法的发展历程和重要里程碑，以及可解释机器学习在人工智能领域的定位和需要遵守的F.A.S.T.原则；进一步介绍了模型内部结构可解释和外部评估模型可解释的2大类可解释机器学习方法及其在材料学中的应用案例。特别地，本团队提出的可解释符号回归和可视化机器学习方法将为材料研发与设计提供新的工具。最后，展望了可解释机器学习在材料学领域的潜在发展方向。

大数据时代人工智能、5G、云计算等先进技术对数据存储与处理的需求急剧上升，而新型非易失性存储材料与器件的研发则为大幅提升算力提供了契机。同时，人工智能技术驱动的科学研究范式也为进一步提升存储器件性能提供了新的研发模式。本文聚焦于相变存储材料与器件在计算与数据驱动下的研究进展，详细论述了大尺度第一性原理分子动力学、新材料设计与高通量材料筛选、多尺度模拟与机器学习势开发等先进材料计算方法在相变存储材料研究中的具体应用，并展望了相变存储技术发展所面临的机遇与挑战。

熵是科学中一个非常重要的概念，从量子到天文，无处不在。基于统计力学，综合量子力学密度泛函理论和热力学，刘梓葵教授团队建立了关于系统总熵的理论：叠熵理论。该理论以Gibbs统计力学中的微观组态作为材料的基因，把密度泛函理论中的基态作为最基本的微观组态，通过基态的内部自由度遍历所有的微观组态。叠熵理论定义系统总熵为每个微观组态熵的加权平均再加上微观组态之间的Gibbs统计熵。本文系统介绍了叠熵理论的基础方程与原理，简单概述了叠熵理论的典型应用，包括磁性转变、铁电转变、热膨胀机制以及临界现象预测，并对叠熵理论从理论发展、软件生态构建、高通量计算以及与人工智能集成等方面进行了展望。

金属材料在服役过程中通常伴随着相变与形变，深入理解其背后的微观机制，对于开发能够满足国家重大需求的新型金属材料至关重要。分子动力学模拟技术，特别是机器学习型分子力场赋能的分子动力学模拟技术，作为一种新的原子模拟范式，正逐渐成为从原子尺度理解金属相变与形变的强有力工具。本文综述了近年来机器学习型分子力场在金属材料相变与形变中的研究进展。首先简述了机器学习型分子力场的基本原理与发展历程；聚焦金属材料的相变与形变过程，着重阐述了机器学习型分子力场对其相变动力学与形变微观机制在原子尺度上的理解；针对现有机器学习型分子力场在金属材料相变与形变研究中存在的壁垒进行总结，并对未来可能的发展方向提出了展望。

基于量子力学基本原理的密度泛函理论(DFT)可以有效预测材料性质，如今它在物理、化学、材料、生物等领域的研究工作中已得到广泛应用。随着对材料领域的深入研究，进一步提升DFT的精度和效率已成为迫切需求，但精度和效率往往不可兼得。近年来，在AI for Science理念的引领下，基于深度学习的电子结构计算方法迅速发展，有望解决电子结构计算中精度和效率不能两全的困境。然而，只有稳定可靠的DFT软件平台才能保证深入研究和持续推动AI辅助电子结构计算方法的广泛应用，这既充满挑战又蕴含机遇。在此背景下，本文主要从物理模型、深度学习算法和软件开发3方面介绍国产开源DFT软件ABACUS (atomic-orbital based ab-initio computation at UStc，中文名原子算筹)从开发2.2版本(2022年4月发布)到发布3.7版本(2024年7月发布)期间的进展及其与深度学习算法的融合和应用。

高压下发现的具有高临界转变温度(T_c)的氢化物超导体激起了研究者对常压室温超导材料探索的广泛兴趣。尽管第一性原理方法可以准确预测氢化物超导体的T_c，但电声耦合计算量巨大且十分昂贵，因此迫切需要建立一个既准确又高效的T_c预测模型。本工作利用随机森林算法，根据特征的重要性选择最关键的特征，开发了一个简单且物理可解释的机器学习模型。该模型利用所选择的4个关键特征(即组成元素价电子数标准差、共价半径平均值和门捷列夫数(Mendeleev数)范围，以及Fermi能级处H的态密度占比)实现了高的T_c预测精度(平均绝对误差为24.3 K，均方根误差为33.6 K)，这为氢化物超导体的高通量筛选提供了有效预测模型，有助于加速高T_c超导氢化物的发现。

镍基单晶高温合金构效关系知识常常以非结构化文本的形式存储在海量公开发表的科学文献中。利用命名实体识别(NER)方法从非结构化文本中挖掘关键信息已成为助力新材料研发的重要方式。然而，已有NER方法依赖于大量语料数据支撑且不适用于处理跨领域任务，导致其难以适配镍基单晶高温合金领域。本工作提出基于语义特征融合的深度学习命名实体识别方法(SF-NER)，以准确挖掘摘要文本中蕴含的镍基单晶高温合金知识。在领域知识指导下创建材料领域词典以实现远程监督，并建立了高质量镍基单晶高温合金标注语料库(含8类实体类型的19405个实体数据)；为准确捕捉特定材料术语，提出了融合编码的词表征策略以捕获关键材料语义特征；构建双向长短期记忆网络-条件随机场(Bi-LSTM-CRF)模型捕捉句子序列中的关键语义信息以实现实体标签的精准预测。实验结果表明，SF-NER能够精准识别镍基单晶高温合金实体类别(评价指标F1值为0.84)，有效筛选影响高温合金服役性能的关键因素，并推荐出可用于服役性能构效关系挖掘的高重要度描述符。

在飞秒激光作用下，材料将经历从凝聚态到高温高压状态、甚至是理想等离子体的剧烈结构转变。在理解这一过程的微观图像上，分子动力学模拟扮演着重要角色，但是对激光作用带来的激发态等问题，传统分子动力学描述存在原理上的困难。本工作结合温度依赖的神经网络原子间势能面与双温模型分子动力学方法，在量子精度下实现激光加热Cu薄膜的大尺度模拟，深入探讨了不同激光通量作用下的热力学状态时空演化与相变动力学，揭示了随着激光通量的增加，激光诱导的熔化动力学从非均匀熔化机制到均匀熔化机制发生转变的物理图像，为深入理解激光-物质相互作用过程提供了原子尺度的微观参考。