原子模拟正成为现代科学的重要工具，架起了理论与实验之间的桥梁。自20世纪50年代诞生以来，精度与速度的平衡始终是原子模拟的核心命题。近年来，基于机器学习势函数的方法崭露头角，成为探索复杂势能面(PES)时密度泛函理论计算的有力替代方案。本文报道了我们开发的LASPAI平台(www.laspai.com)，这是一个面向未来原子模拟的云端平台。该平台采用LASP软件中实现的广义全局神经网络势函数进行快速PES评估，同时整合了一系列通用扩散生成模型、随机表面行走(SSW)全局优化算法及其他PES探索工具。LASPAI平台通过任务导向、用户友好的网页图形界面(GUI)，能大幅简化和加速从分子材料结构预测到气-固、液-固界面识别、固-固界面判定及反应路径模拟等广泛科学领域的原子模拟工作，旨在为科学家设计新材料和反应提供快速的化学知识支持。

二维Ⅲ族氮化物(h-BN、h-AlN、h-GaN与h-InN)因其类石墨烯结构、热稳定性及宽禁带特性，在电子与光电器件中具有重要潜力。传统的密度泛函理论(DFT)与经典分子动力学(MD)方法分别在计算精度与尺度有优势，但也限制了其在高精度的大尺度结构与性能研究中的应用。本文引入深度势能(DP)方法，构建了高精度机器学习势函数(MLP)，系统研究了二维Ⅲ族氮化物的晶格动力学、热力学、力学与热输运特性。深度势能对能量与原子力的预测接近GGA/PBE的精度，并准确重现了声子色散及0–1200 K范围内的热力学函数(自由能、热容、熵)。通过MD方法进行单轴拉伸模拟，揭示各材料的力学行为差异。h-BN刚性强且易脆断，h-AlN与h-GaN具有良好的强度和延展性，h-InN整体机械性能较弱。基于修正的非平衡分子动力学(NEMD)方法计算了材料热导率，发现h-BN与h-AlN表现出显著的长度依赖性，源于声子平均自由程较长。h-GaN与h-InN由于声子散射增强，热导率整体偏低。本研究结果表明，DP方法兼具GGA/PBE精度与大尺度模拟能力方面优势，不仅提升了对二维Ⅲ族氮化物结构性能的理解，也为其在材料设计和器件的应用提供了计算框架与理论依据。

分子表示学习是人工智能驱动药物研发中的关键任务。尽管图神经网络(GNN)在该领域已表现出优异性能并被广泛应用，但高效提取并显式解析官能团仍是一项挑战。为此，我们提出了MolUNet++模型，该模型通过分子边收缩池化(Molecular Edge Shrinkage Pooling，MESPool)实现分层子结构提取，利用嵌套式UNet框架进行多粒度特征融合，并结合子结构掩蔽解释器实现分子片段的定量分析。我们在分子性质预测、药物-药物相互作用(Drug-Drug Interaction，DDI)预测及药物-靶标相互作用(Drug-Target Interaction，DTI)预测等任务上对MolUNet++进行了评估。实验结果表明，MolUNet++不仅在预测性能上优于传统GNN模型，同时展现出显式、直观且符合化学逻辑的可解释性，为药物设计与优化领域的研究者提供了有价值的启示与工具。

人工智能生成内容(AIGC)——由AI系统无需人工干预自主生成的内容——已显著提升多个领域的效率。然而，材料科学中的AIGC技术面临双重挑战：既要高效发现超越现有数据库范围的新型材料，又需确保晶体结构的对称性与稳定性。为应对该挑战，我们开发了T2MAT(文本到材料)，这是一种端到端智能体，能够通过全面探索化学空间并结合全自动第一性原理验证，将用户输入的文本转化为超越现有数据库范围、具有目标性能的新型材料结构的逆向设计。此外，我们提出CGTNet (晶体图变换器网络)，这是一种专门用于捕捉长程相互作用的图神经网络，可显著提高性质预测的准确性和数据效率，从而增强逆向设计的可靠性。通过这些创新，T2MAT降低了对人类专业知识的依赖，加速了高性能功能材料的发现，为真正全自动的材料设计铺平了道路。