（本文閱讀時間：7分鐘）
科學智慧（AI for Science）是指應用人工智慧技術來推動科學研究和科學發現的過程。它涵蓋了從資料分析、實驗設計到理論建模和知識發現等多個方面，已經成為了科學研究的“第五正規化“。
微軟於2022年成立了微軟研究院科學智慧中心，集結了機器學習、計算物理、計算化學、分子生物學、軟體工程和其他學科領域的世界級專家，共同致力於透過在人工智慧和自然科學交叉領域取得新的基礎性研究進展，改變人類認識世界和改造世界的方式。
8月6日（下週二），我們特邀了四位微軟研究院科學智慧中心的研究員，為大家分享他們的最新研究成果和行業觀點！如果你對人工智慧和跨學科研究感興趣，歡迎觀看本場直播，我們也誠摯邀請你積極在彈幕區同研究員們交流，讓我們一起探索 AI for Science 的巨大潛力！
直播時間：
2024年8月6日14:00-15:30
直播地址：
微信影片號“微軟亞洲研究院”
B 站賬號“微軟科技”直播間
劉海廣
微軟研究院科學智慧中心
首席研究員
劉海廣博士，微軟研究院科學智慧中心首席研究員，負責人工智慧在藥物研發和生命科學研究領域的應用，主要涉及藥物分子的智慧生成、針對指定性質的蛋白質序列最佳化、蛋白質多構像的預測等。在加入微軟研究院之前，劉海廣博士曾在美國伯克利國家實驗室、亞利桑那州立大學、北京計算科學研究中心等機構開展科研工作，整合計算和實驗方法對蛋白質結構、動力學、相互作用等進行研究。
劉海廣博士將在本次直播開始對三篇論文進行整體介紹，為大家概述該領域的研究工作。
陸子恆
微軟研究院科學智慧中心
首席研究員
陸子恆博士，微軟研究院科學智慧中心首席研究員，負責人工智慧在材料設計領域的應用。研究興趣：材料設計、計算化學、深度學習、自動化實驗。陸子恆博士率領團隊開發全空間材料大模型 MatterSim，在 MatBench Discovery 等多個材料發現、材料性質預測能力上取得榜首；開發 IDEAL 主動學習演算法，實現百萬量級原子的化學精度線上模擬。在加入微軟之前，陸子恆博士曾在耶魯大學、中國科學院、英國法拉第研究所、劍橋大學等單位從事研究工作。在 Nat. Comm.、Chem. Rev.、Angew. Chem. Int. Ed.、Adv. Energy Mater. 等雜誌上發表了70多篇同行評審文章。擔任多本期刊的副編輯、客座編輯，以及包括 Nature、Joule、Adv. Mater. 等多本期刊審稿人。
分享內容：
深度學習加速材料設計：從模擬到生成
Accelerating materials design with AI: from simulation to generation
論文摘要：
新材料發現是人類科技進步的原始動力。然而，新材料設計的效率受到搜尋空間巨大、物理和化學特性複雜多變等限制，進展極其緩慢。本報告介紹大規模深度學習技術在加速材料設計中的潛力，包括全空間材料深度學習模型 MatterSim、深度生成式模型 MatterGen 等的開發以及在新材料發現、材料行為模擬中的應用。
王童
微軟研究院科學智慧中心
高階研究員
王童博士，微軟研究院科學智慧中心高階研究員，畢業於清華大學，並在哈佛大學訪學。他的研究集中在分子動力學模擬、量子模擬、計算機輔助藥物發現和蛋白質結構預測等領域的演算法開發和應用。王童博士以第一作者和通訊作者在 Nat Mach Intell, Nat Commun, Cell Res 等期刊和 NIPS, ICLR 等計算機頂級會議發表30餘篇文章並擁有十餘項發明專利。他是Nature系列期刊的審稿人、ACS 系列期刊的榮譽審稿人。他率領團隊開發的通用分子結構建模模型 ViSNet 和首個基於 AI 的生物大分子量子精度的動力學模擬軟體 AI2BMD獲得全球首屆 AI 藥物研發大賽冠軍。他關於新冠刺突糖蛋白的研究獲得 WILEY 出版社最高下載量文章獎。他是中國生物資訊學會生物分子結構與模擬專業委員會委員。
分享內容：
AI驅動的生物大分子量子精度的動力學模擬及應用
AI2BMD: efficient characterization of biomolecular dynamics with ab initio accuracy
論文摘要：
蛋白質等生物大分子的動力學模擬是理解生命活動機理和理性藥物設計的重要途徑和關鍵環節。本報告介紹通用分子結構建模網路 ViSNet 及其變種，以及在此基礎上開發的首個可泛化的生物大分子量子精度的模擬軟體 AI2BMD。報告將展示 AI2BMD 在各種蛋白的構象空間搜尋、蛋白摺疊、自由能計算以及藥物重定向設計等方面的應用案例。
黃麟
微軟研究院科學智慧中心
高階研究員
黃麟，微軟研究院科學智慧中心高階研究員，研究興趣主要包含等變圖神經網路、計算化學。作為核心開發人員設計實現了微軟加速 DFT (MADFT) 的開發，使其達到了40倍加速；目前的研究重點為使用神經網路高效準確預測分子力場、哈密頓量以及進行分子表徵的基座大模型。
分享內容：
融合物理洞見的分子動力學學習正規化
A physics-informed framework to capture non-local interaction for scalable molecular dynamics simulation
論文摘要：
分子動力學模擬在新藥開發、材料設計等領域發揮著重要作用。近年來機器學習技術的不斷發展，使得其對分子間相互作用的刻畫也更加精確，但卻面臨著隨分子體系擴大，計算效率降低和長程資訊丟失的難題。在此背景下，我們提出了一種名為 LSR-MP 的新型分子動力學機器學習框架。該框架結合了物理洞見和幾何深度學習，透過在原子/分子片段上分別建模短程和長程效應，為大規模分子體系的高精度、高效模擬開闢了新的途徑。
研究整體介紹
分享者：
劉海廣
14:05-14:30
分享內容：
Accelerating materials design with AI: from simulation to generation
分享者：
陸子恆
14:30-15:00
分享內容：
AI2BMD: efficient characterization of biomolecular dynamics with ab initio accuracy
分享者：
王童
15:00-15:30
分享內容：
A physics-informed framework to capture non-local interaction for scalable molecular dynamics simulation
分享者：
黃麟
歡迎鎖定直播間，與你不見不散！
你也許還想看：