摘 要：
本报告探讨了原子模拟从专用“小模型”向通用“大模型”（Large Atomistic Model, LAM）的范式转变，重点介绍了基于线图架构的图神经网络模型DPA-3及其预训练版本DPA-3.1-3M。该模型在包含1.62亿样本的OpenLAM-v1多领域数据集上完成了大规模预训练，验证了原子模型性能随参数与数据规模增长的缩放定律（Scaling Laws）。在LAMBench基准及多项材料性质预测任务中，DPA-3展现了卓越的零样本泛化能力与分布外（OOD）预测精度，性能优于现有主流模型。作为应用验证，研究利用该模型构建了高通量筛选工作流，成功预测了多种具有高热力学稳定性的新型三元超导氢化物，部分结构显示出接近室温超导（Tc≥298 K）的潜力，表明LAM已成为加速新材料发现的通用势能面工具。

报告人简介：王涵自2014年起任职于北京应用物理与计算数学研究所教授，并担任博士生导师。2011年获北京大学数学科学学院理学博士学位。2011—2014年在德国柏林自由大学数学与计算机科学系从事博士后研究。研究方向主要包括科学智能（AI for Science）、原子尺度建模与计算方法。曾获2020年戈登·贝尔奖（Gordon Bell Prize）及2024年国际基础科学大会前沿科学奖（Frontiers of Science Award）。

邀请人：任新国（82649603）