自2004年开源以来，LAMMPS广泛应用于材料建模，支持多种材料和粒子相互作用模型，代码易于修改，并支持CPU和GPU加速。到2022年，代码行数已达100万。HyperAI提供LAMMPS入门教程，用户可在线学习相关操作。

本研究提出了一种基于机器学习的数值模拟工作流，利用深度神经网络和图神经网络提高材料建模的速度和准确性。通过训练机器学习势能模型，展示了在材料设计和性质预测中的应用潜力，尤其在石墨烯和钛的研究中表现突出。此外，提出的无监督框架CrysAtom显著提升了晶体性质预测的性能。

TorchMD是一个结合经典与机器学习的分子模拟框架，提升了数据驱动模型的质量。研究提出了DiffTRe方法和Allegro算法，分别用于神经网络势函数学习和高精度能量预测。基于机器学习的原子间势函数在材料建模中发挥重要作用，合成数据集的预训练有助于提高模型精度。新框架s-NNP结合了样条势与神经网络，增强了可解释性和跨系统分析能力。

本文提出了一种可训练的深度神经网络模型（IDNN），用于准确还原二元合金的自由能表征，优于传统方法。研究评估了多种深度学习方法的性能，显示其在消费级应用中的巨大潜力，但可扩展性仍需提升。此外，介绍了新型深度卷积神经网络结构和基于机器学习的数值模拟工作流，推动了材料建模和科学发现的进展。

本研究提出了一种基于机器学习的快速准确预测DFT哈密顿量的方法，适用于多种材料系统。通过深度神经网络和图神经网络，提升了电子密度分布和材料性质的预测精度，展示了在多尺度材料建模中的应用潜力，为电子结构计算提供了高效框架。