（本文阅读时间：7分钟）
科学智能（AI for Science）是指应用人工智能技术来推动科学研究和科学发现的过程。它涵盖了从数据分析、实验设计到理论建模和知识发现等多个方面，已经成为了科学研究的“第五范式“。
微软于2022年成立了微软研究院科学智能中心，集结了机器学习、计算物理、计算化学、分子生物学、软件工程和其他学科领域的世界级专家，共同致力于通过在人工智能和自然科学交叉领域取得新的基础性研究进展，改变人类认识世界和改造世界的方式。
8月6日（下周二），我们特邀了四位微软研究院科学智能中心的研究员，为大家分享他们的最新研究成果和行业观点！如果你对人工智能和跨学科研究感兴趣，欢迎观看本场直播，我们也诚挚邀请你积极在弹幕区同研究员们交流，让我们一起探索 AI for Science 的巨大潜力！
直播时间：
2024年8月6日14:00-15:30
直播地址：
微信视频号“微软亚洲研究院”
B 站账号“微软科技”直播间
刘海广
微软研究院科学智能中心
首席研究员
陆子恒
微软研究院科学智能中心
首席研究员
陆子恒博士，微软研究院科学智能中心首席研究员，负责人工智能在材料设计领域的应用。研究兴趣：材料设计、计算化学、深度学习、自动化实验。陆子恒博士率领团队开发全空间材料大模型 MatterSim，在 MatBench Discovery 等多个材料发现、材料性质预测能力上取得榜首；开发 IDEAL 主动学习算法，实现百万量级原子的化学精度在线模拟。在加入微软之前，陆子恒博士曾在耶鲁大学、中国科学院、英国法拉第研究所、剑桥大学等单位从事研究工作。在 Nat. Comm.、Chem. Rev.、Angew. Chem. Int. Ed.、Adv. Energy Mater. 等杂志上发表了70多篇同行评审文章。担任多本期刊的副编辑、客座编辑，以及包括 Nature、Joule、Adv. Mater. 等多本期刊审稿人。
分享内容：
深度学习加速材料设计：从模拟到生成
Accelerating materials design with AI: from simulation to generation
论文摘要：
新材料发现是人类科技进步的原始动力。然而，新材料设计的效率受到搜索空间巨大、物理和化学特性复杂多变等限制，进展极其缓慢。本报告介绍大规模深度学习技术在加速材料设计中的潜力，包括全空间材料深度学习模型 MatterSim、深度生成式模型 MatterGen 等的开发以及在新材料发现、材料行为模拟中的应用。
王童
微软研究院科学智能中心
高级研究员
王童博士，微软研究院科学智能中心高级研究员，毕业于清华大学，并在哈佛大学访学。他的研究集中在分子动力学模拟、量子模拟、计算机辅助药物发现和蛋白质结构预测等领域的算法开发和应用。王童博士以第一作者和通讯作者在 Nat Mach Intell, Nat Commun, Cell Res 等期刊和 NIPS, ICLR 等计算机顶级会议发表30余篇文章并拥有十余项发明专利。他是Nature系列期刊的审稿人、ACS 系列期刊的荣誉审稿人。他率领团队开发的通用分子结构建模模型 ViSNet 和首个基于 AI 的生物大分子量子精度的动力学模拟软件 AI2BMD获得全球首届 AI 药物研发大赛冠军。他关于新冠刺突糖蛋白的研究获得 WILEY 出版社最高下载量文章奖。他是中国生物信息学会生物分子结构与模拟专业委员会委员。
分享内容：
AI驱动的生物大分子量子精度的动力学模拟及应用
AI2BMD: efficient characterization of biomolecular dynamics with ab initio accuracy
论文摘要：
蛋白质等生物大分子的动力学模拟是理解生命活动机理和理性药物设计的重要途径和关键环节。本报告介绍通用分子结构建模网络 ViSNet 及其变种，以及在此基础上开发的首个可泛化的生物大分子量子精度的模拟软件 AI2BMD。报告将展示 AI2BMD 在各种蛋白的构象空间搜索、蛋白折叠、自由能计算以及药物重定向设计等方面的应用案例。
黄麟
微软研究院科学智能中心
高级研究员
黄麟，微软研究院科学智能中心高级研究员，研究兴趣主要包含等变图神经网络、计算化学。作为核心开发人员设计实现了微软加速 DFT (MADFT) 的开发，使其达到了40倍加速；目前的研究重点为使用神经网络高效准确预测分子力场、哈密顿量以及进行分子表征的基座大模型。
分享内容：
融合物理洞见的分子动力学学习范式
A physics-informed framework to capture non-local interaction for scalable molecular dynamics simulation
论文摘要：
分子动力学模拟在新药开发、材料设计等领域发挥着重要作用。近年来机器学习技术的不断发展，使得其对分子间相互作用的刻画也更加精确，但却面临着随分子体系扩大，计算效率降低和长程信息丢失的难题。在此背景下，我们提出了一种名为 LSR-MP 的新型分子动力学机器学习框架。该框架结合了物理洞见和几何深度学习，通过在原子/分子片段上分别建模短程和长程效应，为大规模分子体系的高精度、高效模拟开辟了新的途径。
欢迎锁定直播间，与你不见不散！
你也许还想看：
