机器学习力场（MLFFs：机器学习（ML） Force Fields），也被称为“机器学习原子间势能”，作为实现针对多种化学体系的高成本效益原子级模拟的重要工具应运而生，通常能够以远低于密度泛函理论（DFT）的计算成本，达到与其相当的精度。
随着近年来消息传递网络的进步，传统MLFF所面临的“可处理元素种类受限”这一难题已得到克服。此外，通过采用电荷平衡法引入原子电荷和静电相互作用，能够精确再现多种电荷状态、离子体系及电子响应特性；同时，通过显式考虑长程相互作用，进一步提高了模拟精度。

在本场网络研讨会中，我们将介绍由施莱丁格开发的尖端MLFF架构“MPNICE（带迭代电荷平衡的消息传递网络）”。MPNICE集成了显式静电模型，以实现精确的电荷表征。此外，我们还提供了一组预训练模型，这些模型针对涵盖整个元素周期表（89种元素）的材料进行了训练。
MPNICE 注重高吞吐量性能，能够在保持高精度的同时，实现传统方法难以实现的长时间、大规模原子级模拟。
在本次网络研讨会上，我们将介绍搭载 MLFF 技术的一系列工具，这些工具可实现材料设计中更大规模、更复杂的模拟，并结合符合工业应用需求的案例进行讲解。

重点：

• MPNICE概述：这是一种消息传递型机器学习力场（MLFF）架构，在纳入原子部分电荷和长程相互作用的同时，实现了比同等精度模型快一个数量级的计算速度。
• MPNICE最新应用案例介绍：为满足产业界的需求，本文介绍了将其作为有机材料、无机材料以及有机-无机杂化材料的通用模型加以应用的案例