报告人简介:李有勇，苏州大学功能纳米与软物质研究院特聘教授，博士生导师。1997年获得北京大学化学系学士学位，2004年12月获得美国加州理工学院(Califormnia Institute of Technology)化学博士学位。长期从事人工智能、材料模拟与设计研究， 工作主要集中在结合人工智能和不同多尺度的模拟方法(密度泛函理论、分子力场方法、介观度模拟方法等)对功能纳米材料和复杂分子体系进行研究。发表学术公文 500余篇，他引30000余次，H-ndex83，2020年起连续入选科睿唯安全球高被引科学家，担任中国化学会计算化学委员会委员，担什国际期刊 Scienifc Reports 编委， Frontiers in Materials 编委，曾获江苏省科技奖一等奖等奖项，入选江苏省第四期 333 高层次人才培养工程和苏州紧缺人才。

报告摘要:我们在CrystalGNN中引入了动态的嵌入层，能够与神经网络训练过程中的消息传递层相联系，从而实现原子信息的自学习过程发展出了自学习输入图神经网络方法SL-GNN。该自学习过程通过神经网络对嵌入层的反馈，能够捕捉原子之间的相互联系，并且实现原子特征的自我更新。SL-GNN在标准数据集上取得了与CGCNN相当目部分更优的性能，同时其需要的输入更少，具有更好的迁移性能。我们提出的SL.GNN能够实现自学习原子输入，展现出了较高的准确性、良好的泛化能力以及出色的迁移学习性能，并且在新型亚稳态氧化铱催化剂的开发中成功应用，加速了自下而上的新型高效催化剂的设计。我们通过机器学习和高通量筛选的方法，设计了电催化材料和锂硫电池中的锚定材料，通过多尺度模拟框架，给出了pH调节电催化反应的机制。