报告人：王涵 研究员（北京应用物理与计算数学研究所）

报告内容：

建立从原子结构到宏观性质的构效关系是材料理性设计的核心，但实验数据稀缺、设计目标又常落在 训练分布之外，使传统建模方法难以奏效。本报告介绍我们以原子大模型作为公共基座应对这一困难的工 作。理论上，我们给出了等变图神经网络的万能逼近定理，并指出常用的标量门控读出层本质上仍是两体 模型，为此提出具备完备表达能力的 Wigner 双线性网络。据此构建的原子大模型 DPA4 在 Matbench Discovery 榜单取得当前最好成绩，并以远少的参数量在 OMat24 与 OMol25 上达到领先精度。其部署优化 版本 DPA4C 在保持通用势精度的同时达到经验势量级的模拟速度，可扩展至十亿原子体系。应用上，预训 练先验显著缓解了小数据与分布外泛化难题：多任务微调使同精度下的实验数据需求降低约两个数量级， 表示对齐可提升晶体生成模型的有效生成率。我们进一步以模型—实验干湿闭环优化多主元合金成分，获 得低热膨胀系数，且密度低于经典因瓦合金的轻质因瓦合金。

报告人简介：

王涵自 2014 年起任职于北京应用物理与计算数学研究所教授，并担任博士生导师。2011 年获北京大学 数学科学学院理学博士学位。2011—2014 年在德国柏林自由大学数学与计算机科学系从事博士后研究。研 究方向主要包括科学智能（AI for Science）、原子尺度建模与计算方法。曾获 2020 年戈登·贝尔奖（Gordon Bell Prize）及 2024 年国际基础科学大会前沿科学奖（Frontiers of Science Award）。

主持人：陈默涵 研究员（北京大学应用理物与技术研究中心）

时  间：2026年9月17日（周四）12:20

地  点：北京大学工学院1号楼210会议室