题目：基于高斯和的长程机器学习势与准二维周期体系快速静电算法

报告人：梁久阳  上海交通大学  数学科学学院

时间：2026年9月10日（星期四）14:30-17:00 

地点：师昌绪楼406

报告摘要：

    机器学习势函数能够以远低于第一性原理计算的成本逼近量子力学精度。然而，现有模型通常依赖局部原子环境，难以准确描述静电、极化和色散等长程相互作用。我们提出高斯和神经网络（SOG-Net），通过隐变量学习网络连接短程与长程组分，并将傅里叶乘子表示为可训练的高斯函数之和。SOG-Net能够从能量和力数据中自适应学习不同的长程衰减行为，同时保持接近线性的计算复杂度。另一方面，对于受限聚电解质、电极–电解液界面和液晶薄膜等准二维周期体系，传统快速 Ewald 求和方法通常需要在非周期方向进行大规模零填充和频域上采样，在高长宽比条件下带来较高的计算与存储开销。针对这一问题，我们发展了准二维 SOG 快速谱方法，利用高斯和近似将库仑相互作用分解为近场、中程和长程部分，并分别采用直接求和、傅里叶谱计算和傅里叶–切比雪夫混合方法处理。利用高斯函数的光滑性和空间可分性，该方法在避免额外上采样和大规模零填充的同时，实现了谱精度和 O(NlogN) 的计算复杂度。本报告将通过这两项工作，说明高斯和如何同时用于复杂长程作用的机器学习建模和已知长程核的快速计算，从而为复杂材料体系的大尺度原子模拟提供统一的计算框架。

报告人简介：

    梁久阳，上海交通大学“思源”博士后。分别于2017年和2023年获上海交通大学数学专业学士和博士学位。2024年起在美国西蒙斯基金会 Flatiron Institute 开展访问研究，任 Flatiron Research Fellow。主要从事分子动力学模拟中的长程相互作用快速算法、机器学习力场建模及高性能科学计算等研究。研究成果发表于 Phys. Rev. Lett.、Nat. Commun.、Numer. Math.、SIAM J. Sci. Comput.、Appl. Comput. Harmon. Anal.、J. Chem. Theory Comput. 等数学及交叉学科重要期刊。所发展的长程静电算法及准二维周期体系真空层参数选择方法被纳入分子模拟软件 LAMMPS 的核心 KSPACE 模块。主持国家自然科学基金青年科学基金项目，入选第四届中国工业与应用数学学会（CSIAM）青年人才托举工程。