随着我国超级计算机事业的发展,超算的计算性能有了巨大的提高。神威系列超算是我国自主研制的异构超级计算机,但因其特殊的架构,一直缺少与之匹配的应用软件,因此难以发挥神威超算的计算性能。在科学软件应用中,数值计算软件占了很大部分。在材料科学领域,利用第一性原理软件进行材料计算是研发新材料的关键。通过材料计算可以在筛选材料时快速地掌握材料的特性和行为,缩短材料研发的生命周期,极大地降低材料研发的成本。在进行材料计算时传统方法是密度泛函理论、分子动力学和计算流体力学来计算材料的理化性质。由于人工智能领域的兴起,人们使用机器学习和深度学习模型对材料领域进行了建模分析,为材料领域带来了新的计算方法。因此在新一代神威超算上优化VASP软件不仅可以发挥神威超算的计算能力,提高材料计算的运算效率,还能助力我国超算事业,丰富神威超算的异构应用库,提升我国的超算软实力。另外对VASP软件结合新兴的人工智能进行研究,为后续在神威超算平台上开展材料计算+人工智能研究提供思路。鉴此,本文基于国产神威新一代超算,对第一性原理软件VASP进行了优化,优化内容包括编程优化、机器学习优化。提出了基于多头注意力的晶体神经网络算法模型,并将模型预测性质时间和传统数值计算时间进行了对比。主要工作和创新点如下:（1）基于国产新一代神威超算,对第一性原理软件VASP进行了针对神威异构环境编程方面的移植和优化。首先使用了混合编译、增量编译等移植方法使其能够调用从核处理器,然后通过构建数学模型以量化的方式找到VASP的热点函数、待优化的目标函数,最后根据软件设计了协同计算、双缓冲、LDM二级缓存等优化方法。另外针对优化过程中出现的负优化的问题,提出了一种自适应优化方法,使其能够发挥超算的计算性能。（2）基于贝叶斯推理方法提出了一种适合于VASP的贝叶斯增量学习方法,该方法可以对VASP计算过程进行优化。针对贝叶斯在构建力场时出现力场数据不充分而导致不准的问题,采用了增量学习的方法,通过不断地加入新的数据和少量的模型调整,来更新提高模型的预测能力。同时使模型有了可移植性,可以迁移到因计算数据较少而导致模型不准的环境中。（3）基于晶体图神经网络提出了多头注意力晶体图神经网络（MH-CGCNN）模型,该模型利用多头注意力机制以分子中不同原子之间键角为研究对象,赋予不同键角与实际分子宏观性质相对应的权重值,不同的权重反映该键角对分子性质的影响程度,以此来模拟实际分子中近邻原子之间的相互作用关系。另外将键角这一描述符引入到了模型中,使模型有了更好的物理表达,将模型的平均绝对误差MAE降低了5.3%。