个人介绍
研究工作围绕计算高分子科学和材料信息学展开，重点是将分子动力学、量子化学启发特征、图学习模型和大模型辅助科研流程结合起来，构建从分子结构生成、模拟验证到候选材料排序的闭环系统。
当前兴趣包括高分子电解质、润滑与流变材料、反应力场验证、GPU 加速模拟，以及面向科研任务的智能 agent 工作流。
技术关键词
Polymer Informatics Molecular Dynamics Graph Neural Networks Generative Modeling ReaxFF CUDA / HPC LLM Agents研究领域
高分子人工智能材料发现
构建面向聚合物单体、链段、拓扑结构和配方空间的 AI 筛选模型，预测离子传输、玻璃化转变、黏度、溶解性和力学相关性质。
分子模拟与多尺度验证
使用分子动力学、反应力场和粗粒化模型生成可信标签，并通过可重复 benchmark 验证 AI 预测和物理模拟之间的一致性。
图学习与生成式设计
使用 GNN、分子指纹、条件生成模型和主动筛选策略，在高维化学空间中寻找满足多目标约束的候选结构。
科研自动化与部署
面向 HPC、GPU 和本地代理系统构建可审计的工作流，使模型训练、模拟提交、结果解析和报告生成能够稳定运行。
代表性研究内容
- 聚合物候选结构的高通量生成、去重、可合成性过滤与多目标排序。
- 结合分子模拟标签和实验启发特征的高分子性质预测模型。
- 面向 ReaxFF、LAMMPS、GROMACS 与自研 CUDA kernel 的验证和加速流程。
- 使用 LLM agent 协助自动生成模拟输入、解析日志、组织 benchmark evidence。
Selected Publications
Wang, J.; Li, Y.; Zhang, M.; Chen, X. Data-Driven Discovery of Polymer Electrolytes with Graph Neural Networks and Molecular Dynamics Labels.
Liu, H.; Wang, J.; Sun, Q.; Zhao, R. Generative Design of Functional Polymer Additives under Multi-Objective Property Constraints.
Chen, X.; Wang, J.; Huang, K. Benchmarking Reactive Force Field Components for GPU-Accelerated Molecular Dynamics.
Zhang, M.; Liu, H.; Wang, J. Surrogate Modeling of Polymer Transport Properties from Simulation-Derived Molecular Descriptors.
Wang, J.; Zhao, R.; Li, Y. Automated Molecular Simulation Workflows for Reproducible Materials Informatics.
合作方向
欢迎围绕高分子 AI 材料发现、分子模拟自动化、GPU 加速、材料大模型评测与科研 agent 系统开展合作。