随着人工智能与机器学习技术的迅速发展，计算化学工具生态也发生了巨大变化。AMS 软件拥有的核心技术，在计算化学技术发展的潮流中，不仅没有淹没，反而体现出更强的生命力与活力，在中国计算化学软件市场上占有相当份额。
AMS 的图形窗口非常适合初学者，引领研究者进入计算化学领域。作业的建模、参数设置，作业的管理，都可以在图形窗口完成。费米维基为 AMS 软件提供了非常详细全面的，中文教程讲解、快速入门视频讲解、详细教程视频讲解，以及活跃的 QQ 问题交流群（759607594），为用户提供全天候的技术支撑。
AMS 建模能力
分子动力学模拟方法
化学反应加速方法：
- Bond Boost：通过施加额外“力”，促进分子碰撞概率，增大反应事件发生概率，适用于所有体系
- Replica Exchange：通过在后台增加高温副本，提高反应概率，并将高温副本中发生的低温反应传递给前台正常温度的MD体系，从而正常温度下更容易观察到化学反应，适用于所有体系
- Nano Reactor：通过向心引力-释放自由，实现周期性收缩-碰撞，加大分子碰撞概率，非常有效地增大反应概率，适用于小分子体系
- CVHD/Meta-Dynamics：通过填充势阱，加速化学反应发生概率，之后反推再没有填充势阱的情况下的反应，并可以对应到宏观时间尺度
特殊模型：
- Deformation：指定压缩条件（密度、Cell尺寸），将体系压缩到指定条件
- 热传导：设定局部原子为热源、热漏，并设定热传导功率，计算热导率
- Molecule Gun：粒子喷射进入Cell，模拟沉积、刻蚀、粒子冲击
- Molecule Sink：允许指定某个空间区域，以一定频率清理指定产物（通过化学式指定）
- 隐形反射墙：粒子撞击反射，从而降低体系的维度，以便于添加电场，常用于电气工程领域
- Replay：对现有 MD 轨迹，更换为新的计算引擎后，重走该轨迹，以实现两种计算引擎下的能量比对
计算效率
- AMS 中 ReaxFF 计算效率约为 Lammps 的 10 倍
- 机器学习势效率约为 ReaxFF 的 1/10，使用 GPU 加速后，计算效率提高约 5-10 倍
AMS 分子动力学结果处理
机器学习与 ReaxFF 的训练
训练方法之 ParAMS：用户选取重要的几百、上千结构，进行 DFT 计算，包括结构优化，键长、键角的势能面扫描，晶体尺寸扫描等，作为“训练集”，通过优化与 DFT 之间的总误差值，实现训练优化。
- DFT 训练集来源：BAND 或 Quantum Espresso、VASP，但使用 VASP 无法进行势能面扫描、晶格参数的扫描，无法将势能面作为一套完整数据带入训练。
- 优点：训练效率高，可以在短期内得到相当好的结果，可用于训练 ReaxFF、DFTB 中的 GFN1-xTB、机器学习势中的 M3GNET、NequIP、MACE
- 缺点：需要用户自己有能力选择“好的训练集”
训练方法之 Active Learning：基于 AIMD 计算，在 AIMD 进行的同时，进行自主学习。
- DFT 训练集来源：AMS 内置的 Quantum Espresso、BAND
- 优点：使用简单，只需要设置简单几个参数就可以训练
- 缺点：AIMD 本身非常慢，往往好几个月才能得到一条不错的轨迹，且用户无法预知本次 AIMD 能否发生希望的化学反应。好在 AMS 中引进了 Target MD 方法，用户可以指定经过多少步 MD 发生某种反应，设定反应通道，AIMD 将指定反应沿通道进行，从而训练的增强采样能力。仅适用于机器学习势 M3GNET、NequIP、MACE的训练