夜雨聆风
你是否曾在使用DeePMD-kit时，花了一些时间梳理环境依赖和输入文件格式，才让模型顺利跑起来？
是否曾在DP-GEN的主动学习流程中，面对多个超参数和迭代策略，需要反复查阅文档才能做出合理设置？
又是否曾看着DPA系列模型不断升级，同时感受到上手新版本也需要一定的学习成本？
但这一切，正因“AI Agent”的出现而发生改变。
你只需要描述清楚研究目标，Agent就会调用相应软件、推荐合适参数、执行计算流程。从DeePMD训练到DP-GEN主动学习，再到最新DPA4的快速体验——工具还是那些工具，但操作不再零散，思路也不再被打断。
5月27日晚20点，我们邀请到DeepModeling社区核心开发者张铎与MatMaster核心开发者陈乐天开展研讨。MatMaster是首款面向全学科材料研究者、深度整合材料科研全流程的通用型科研智能体，曾收录进社区AI4S-Agent 共建计划。两位将结合各自在DP系列软件与MatMaster材料智能体的实战经验，围绕开源生态与AI Agent的融合进行深入讨论，也欢迎大家带着自己的问题、场景或好奇一起来交流探讨！
活动详情
时间：5月27日（周三）晚20点
参与方式：
1. 腾讯会议：
#腾讯会议：897-317-410
https://meeting.tencent.com/dm/uLVvWBR6xTfu
2. 视频号：玻尔学术
3. 蔻享学术
内容简介
本次分享将围绕DeepModeling开源生态中的DeePMD-kit、DP-GEN等核心工具与DPA系列模型，结合MatMaster材料智能体在科研工作流中的应用实践，介绍如何以更低门槛、更高效率完成势函数训练、主动学习与材料模拟任务。
分享将重点展示材料智能体如何协助用户理解复杂参数配置、快速生成工作流、分析任务异常，并与Bohrium算力平台及DeepModeling开源工具链协同联动，帮助研究者更高效地使用AI4S开源生态。
同时，本次分享也将结合最新发布的DPA4模型，介绍大原子模型在精度、效率与工程化方向上的最新进展，并围绕AI for Science开源生态的发展趋势，与社区开发者和用户展开交流讨论。此外，后续还将推出DPA4专题研讨会，敬请关注！
案例调用
案例名称 | 案例主要内容 | 案例链接 |
自然语言DeePMD模型训练 | 基于DFT数据训练DP模型，并运行MD模拟，对比AIMD与Lammps+DP势函数MD的RDF情况 | 提供训练数据训练模型：https://matmaster.bohrium.com/matmaster/chat-evo/share/9cba849ac1404d8e8666c66339ac74b5 |
使用自然语言直接完成训练数据准备、模型训练、验证、MD模型和性质计算等内容 | 智能体准备训练数据+模型训练： https://matmaster.bohrium.com/matmaster/chat-evo/share/46f2ba483c0c4978b65e35eeaec572e5 | |
DP-GEN active learning 自动化 | 使用自然语言调度DP-GEN对复杂的多体系训练进行数据集采样和势函数开发 | 多温度势函数训练：https://matmaster.bohrium.com/matmaster/chat-evo/share/d77fc51ed5494432afbb49cb9e849fa7 |
DPA4 快速体验 | 对比直接训练DPA4和其它DeePMD模型的训练时长、算力需求、GPU利用率、模型收敛情况，凸显DPA4框架的独特优势 | DPA4模型训练速度对比： https://matmaster.bohrium.com/matmaster/chat-evo/share/47f2bf9ba492412eab93ab0ffad3b0de |
👇点击阅读原文跳转腾讯会议链接
