2026年4月24日至26日，第二届MAGUS结构预测方法开发与应用前沿研讨会在郑州大学召开。本次研讨会由南京大学固体微结构物理全国重点实验室、南京大学人工微结构科学与技术协同创新中心、江苏省物理科学研究中心及南京大学物理学院主办，郑州大学物理学院、北京东方超算科技有限公司承办，吸引了全国各地超300位专家学者和青年学生参会。

开幕式上，郑州大学副校长刘春太代表会议承办方致辞，详细介绍了郑州大学办学实力和郑州大学物理学科的发展情况。北京理工大学姚裕贵院士在致辞中回顾了我国计算物理的发展历程，强调高端计算软件的自主可控对提升原始创新能力至关重要，希望青年学者珍惜学习机会，不断提升科研创新能力。主办单位代表、MAGUS软件开发团队负责人、南京大学孙建教授在致辞中对各位嘉宾的到来表示热烈欢迎，并简要介绍了MAGUS软件的发展历程和MAGUS系列会议的组织情况。开幕式由郑州大学物理学院副院长李顺方教授主持。

研讨会围绕计算物理和材料模拟领域前沿进展及MAGUS系列软件的应用与培训展开，包括学术报告、海报展示和专题培训等环节。会议邀请了来自北京理工大学、清华大学、复旦大学、南京大学、人民大学、中国科学院相关研究所、苏州实验室、郑州大学等近 20 家单位的专家学者作特邀报告，分享领域前沿进展。

MAGUS 开发团队围绕软件核心技术开展系统培训，内容包括 MAGUS 安装与基础应用、变组分 / 分子晶体 / 低维体系 / 受限空间结构预测、机器学习加速晶体结构搜索等；此外，会议还新增了孙建教授课题组开发的其它机器学习驱动的材料模拟方法，包括机器学习力场HotPP、机器学习分子动力学引擎GPUMD、GPU加速的过渡态搜索方法GPUNEB、基于GPU的元动力学GPU-MetaD，以及机器学习哈密顿量方法Hot-Ham、机器学习紧束缚方法GPUTB等，全面覆盖机器学习驱动材料模拟核心技术，助力参会者掌握实操技能。

与首届相比，本届研讨会参会专家范围更广、培训内容更前沿多元，不仅为 MAGUS 软件用户搭建学习交流平台，更全面展示计算物理与材料模拟领域最新成果，有效促了进全国计算物理与材料模拟领域学术交流与协同创新，加深了青年学者对机器学习驱动材料模拟方法的认知与应用能力。参会青年学者反响热烈，会议取得了圆满成功。

会议相关软件介绍：

1.MAGUS

MAGUS是南京大学孙建课题组开发的机器学习和图论辅助的晶体结构搜索软件，目前对学术用户免费开放。用Python和C++编写的晶体结构预测软件，支持三维，二维晶体，分子晶体，表面重构，团簇，受限空间等体系的定组分和变组分搜索。支持VASP，CASTEP，QE，ABACUS，ORCA，MTP，HotPP，NEP，DeepMD，MACE, CHGnet, gulp，lammps，XTB，ASE等接口，便于扩展。MAGUS已被用于研究多个体系，设计的新材料被实验合成，发表了多篇高水平学术论文（Nat. Phys./NC /PRL/PRX /NSR/Sci. Bull.等）

MAGUS介绍：https://gitlab.com/bigd4/magus

MAGUS注册：https://www.wjx.top/vm/m5eWS0X.aspx

2. HotPP

HotPP是南京大学孙建课题组开发的高阶张量消息传递机器学习力场，将基于笛卡尔张量的等变消息传递网络的阶数推广到了无穷维，其精度超越了目前主流的机器学习力场，与目前最精确的机器学习力场的精度相当。HotPP提供了与分子动力学模拟软件Lammps和ASE的接口。

HotPP网站：https://gitlab.com/bigd4/hotpp

3. GPUMD

GPUMD是由渤海大学樊哲勇老师主导，南京大学孙建课题组参与开发的机器学习力场拟合和机器学习分子动力学模拟软件。

GPUMD网站：https://gpumd.org

GPUMD源代码：https://github.com/brucefan1983/GPUMD

4. Hot-Ham

高阶张量机器学习哈密顿量（High-order Tensor machine-learning Hamiltonian，Hot-Ham）是一种 E(3) 等变 的机器学习模型。该模型通过局域坐标变换和 Gaunt 张量积，高效实现了高阶球张量的张量积运算。Hot-Ham 能够预测 LCAO 基组 DFT 哈密顿量，并提供了与 ABACUS 和 OpenMX 的 API 支持。

了解更多详情及访问 Hot-Ham，请查看代码仓库。

·Hot-Ham网站:https://github.com/liangzhixin-202169/Hot-Ham

5. GPUTB

GPUTB 是一个 GPU 加速的机器学习紧束缚框架，其能够直接从原子结构预测出正交 LCAO 哈密顿量。通过采用环境依赖的 Slater–Koster 参数化方法以及结合基于 Chebyshev 描述符的图神经网络，GPUTB 在不同体系规模和温度条件下都能达到接近从头算的精度，并支持对包含数百万到上亿原子的体系进行线性标度的量子输运计算。

了解更多详情及访问 GPUTB，请查看代码仓库。

·GPUTB网站:https://github.com/woyolo990422/GPUTB

6. GPU-MetaD

GPU-MetaD是一个GPUMD的元动力学（metadynamics）增强采样扩展，专为大规模高精度分子动力学模拟设计。通过将机器学习势与增强采样方法在 GPU 架构上进行深度优化整合，GPU-MetaD 能够在单张 GPU 上实现对包含数百万原子的体系进行第一性原理级别的稀有事件采样。该软件已在分子、界面及块体等多种体系中得到验证，相比传统方案可实现数量级的性能提升。

7. GPU-NEB

GPUNEB是一个基于 GPU加速的轻推弹性带（NEB）计算方法，专为大尺度固态体系的过渡路径搜索而设计。该框架采用基于Cell Filter方案，将晶格矢量作为广义坐标处理并消除转动自由度，结合自适应中间结构调整策略动态优化反应路径，可高效处理包含十万乃至百万量级原子的体系。GPUNEB 提供了 ASE 接口和基于 GPUMD 的全 GPU 加速实现，在消费级 GPU 上可达到每秒百万原子步的吞吐率。