AI4S · RESEARCH & DEVELOPMENT
研发经历
围绕 AI4S 的数据、模型与计算需求，开展科学建模、材料学习和科研程序研发，并探索先进封装中的计算设计方法。
从物理模型到计算程序
将材料建模、图学习和高通量计算转化为可运行的程序，贯通结构生成、任务调度、数据分析与模型验证。
- 01模型与输入问题的计算表达
- 02任务与计算程序执行与调度
- 03解析与分析数据处理与可视化
- 04验证与复用结果检查与代码整理
AI4S 方法与研发能力
以物理计算为基础，以图学习为方法，以科研软件支撑研究实施。
科学计算与物理建模
以第一性原理、AIMD 和多尺度计算描述结构、能量与界面行为，为 AI4S 提供物理依据。
科研数据与程序处理
使用 Python、Bash 组织计算数据、后处理与科学绘图，重视数据结构、计算条件和来源记录。
图学习与可解释预测
构建并应用图神经网络和可解释学习模型，开展材料性质预测、构效关系分析与候选筛选。
高通量与可复现工作流
编写批量建模、HPC 调度与结果分析脚本，记录输入参数、任务状态和输出文件。
主动学习与模型评估
在机器学习势与材料筛选中，关注训练验证隔离、误差、外推与不确定性，探索迭代采样。
科研 Agent 与工具协同
探索领域知识检索、结构化工具调用与任务编排，以来源引用、过程记录和人工校验支持研究。
AI4S 高通量计算与科研工作流开发
围绕材料建模、计算任务与结果分析，使用 Python、Bash 在 HPC 环境中组织自动化程序，用脚本完成重复操作，为材料筛选与学习模型提供计算数据。
程序与工作流
- 批量建模、输入文件生成与任务脚本
- 计算结果解析、数据汇总与可视化
- 结构化数据管理与流程复用
查看研发方法与程序细节
计算任务编排
把结构、参数和计算条件组织为可重复运行的任务；通过脚本衔接批量建模、任务提交、数据后处理与分析。
计算数据整理
将结构、能量、计算参数与来源组织为可追溯的数据记录，支持后续材料筛选、性质预测与跨体系比较。
计算与模型验证
使用批量计算整理训练数据，以学习模型筛选候选材料，再通过物理计算检查预测结果。
材料图学习与可解释性质预测
使用图神经网络预测材料性质，通过可解释分析考察结构特征对预测结果的影响，并与理论计算结果进行比较。
程序与工作流
- 结构表示与材料特征组织
- 学习模型构建与预测分析
- 结构—性质关联与可解释性分析
查看研发方法与程序细节
面向科学问题的数据表示
从材料结构及计算结果提取可用于学习的信息，以图结构与材料描述建立结构和性质之间的联系。
学习模型与构效分析
使用图神经网络与可解释模型分析材料性质和影响因素，将模型输出用于候选比较、趋势判断与科学解释。
验证与筛选方法
在模型迭代中重视训练与验证的区分、误差分析及物理合理性；以高通量计算支撑数据驱动筛选。
先进封装与异构集成的计算研发
面向先进封装中的材料界面、热管理与可靠性问题，拓展原子尺度模拟、数据驱动分析和科研程序开发方法，探索材料—结构—器件之间的协同设计。
程序与工作流
- 材料与界面的参数化计算思路
- 热输运与可靠性数据分析
- 仿真任务、模型参数与结果的程序化关联
查看研发方法与程序细节
界面材料与跨尺度建模
从已有电子结构和界面模拟基础出发，关注封装材料、键合界面与结构稳定性，探索微观信息向器件模型参数的传递。
热管理与可靠性分析
围绕热输运、热循环和互连可靠性组织研发问题，规划材料参数、仿真结果和实验信息的关联分析。
AI4S 与程序开发路径
规划参数化建模、批量仿真、结果解析与代理模型接口，探索数据驱动的设计空间筛选、敏感性分析与方案比较。
科学计算模型与电子结构分析
结合第一性原理与计算电化学，研究材料稳定性、电子结构与界面反应，将科学问题转化为计算模型、可比较的数据和可解释的分析结果。
程序与工作流
- 计算模型、输入参数与结果组织
- 能量、结构和电子性质的关联分析
- 计算结果与实验观测的协同解释
查看研发方法与程序细节
模型与边界条件
围绕材料组成、结构与环境建立计算模型，关注电位、化学势及界面环境对分析结论的影响。
物理一致性
结合能量、电子结构与反应趋势识别关键因素，为学习模型的特征构建和预测解释提供物理依据。
程序化分析
依托科研脚本经验组织结果解析、对比分析和图表输出，使计算流程能够服务于连续研究与数据复用。
原子模拟与时序数据分析
利用 AIMD 描述有限温度下的界面演化与局域结构涨落，围绕轨迹数据、配位环境与动态行为组织后处理方法，连接原子尺度模拟与科学解释。
程序与工作流
- 轨迹、结构与计算条件的关联管理
- 局域配位与动态变化分析
- 时间演化结果的可视化表达
查看研发方法与程序细节
动态过程建模
关注非静态环境中的结构演化、溶剂化与界面重构，用原子轨迹补充静态模型对材料行为的描述。
时序数据处理
把轨迹组织为可分析的数据序列，结合局域环境和结构统计比较不同模型或计算条件。
分析模块复用
将轨迹读取、结构统计和结果绘图拆分为独立模块，便于在不同研究体系中复用。
机器学习势与跨尺度模拟探索
关注 DeePMD、MACE 等机器学习原子势，将第一性原理数据、势函数学习与分子动力学相连接，探索更大尺度结构演化与输运行为的计算路径。
程序与工作流
- 第一性原理数据与势函数学习的衔接
- 结构、能量与力信息的组织
- 模型精度与适用范围的评估思路
查看研发方法与程序细节
学习与物理的衔接
以第一性原理信息为基础，关注训练数据对目标结构和环境的覆盖，探索学习模型与原子模拟的连接。
验证与适用边界
将能量、力及动力学行为纳入验证思路；在方法拓展中关注模型外推、结构稳定性与不确定性。
采样方法拓展
进一步关注主动学习与迭代采样，以模型不足引导新增计算，规划更有效的数据获取与势函数迭代流程。
反应网络与科学数据解析
构建自由能图谱与多中间体关联，结合过渡态搜索和统计热力学解释反应机制，为反应数据结构化、路径比较与动力学分析程序提供方法基础。
程序与工作流
- 中间体与反应路径的结构化组织
- 能量比较与动力学限制因素分析
- 面向科研解释的图谱输出
查看研发方法与程序细节
反应信息组织
关联结构、能量、中间态和反应步骤，形成便于比较与追溯的计算分析链路。
机制与数据解释
识别能量关联、关键路径及限制步骤，为实验现象和材料性能差异提供理论解释。