diff --git a/tutorials/inference/source_zh_cn/hpc_molecular_dynamics_ascend_910.md b/tutorials/inference/source_zh_cn/hpc_molecular_dynamics_ascend_910.md
new file mode 100644
index 0000000000000000000000000000000000000000..c854c44538317c4a094145725f7d7486b5827213
--- /dev/null
+++ b/tutorials/inference/source_zh_cn/hpc_molecular_dynamics_ascend_910.md
@@ -0,0 +1,134 @@
+# 通过MindSpore进行分子动力学模拟
+
+`Linux` `Ascend` `模型推理` `高级`
+
+
+
+- [通过MindSpore进行分子动力学模拟](#通过MindSpore进行分子动力学模拟)
+ - [概述](#概述)
+ - [准备数据集](#准备数据集)
+ - [加载处理数据集](#加载处理数据集)
+ - [准备预训练模型](#准备预训练模型)
+ - [加载数据集进行推理](#加载数据集进行推理)
+ - [执行推理](#执行推理)
+
+
+
+
+## 概述
+
+分子动力学是一套分子模拟方法，该方法主要是依靠计算机来模拟分子、原子体系的运动。通过对分子、原子在一定时间内运动状态的模拟，从而以动态观点考察系统随时间演化的行为。通常，分子、原子的轨迹可以通过两种方法计算得到。第一种方法是第一性原理，以薛定谔方程为基础计算原子受力，该方法可以精确计算原子受力，但计算复杂度高，只能用于小体系。另外一种是通过数值求解牛顿运动方程得到，势能和力通常可以由分子间相互作用势能函数、分子力学力场、全始计算给出，该方法计算复杂度低，但精度没有保证。
+MindSpore与DeePMD团队进行合作，通过神经网络来模拟原子受力，该方法通过第一性原理计算得出的数据作为训练数据集，通过神经网络和相关自定义算子来进行拟合，模型训练完毕后。在推理阶段，输入原子的位置、类型等，输出原子的势能（energy）、受力（force）和维力（virial），其兼顾以上两种方法的优点，精度高而且计算复杂度低。
+
+本篇教程将主要介绍如何在Ascend 910上，使用MindSpore进行分子动力学模拟的推理。
+
+> 你可以在这里找到完整可运行的样例代码：
+
+```text
+├── md
+ ├── README.md # descriptions about MD
+ ├── script
+ │ ├── eval.sh # evaluation script
+ ├── src
+ │ ├── descriptor.py # descriptor function
+ │ ├── virial.py # calculating virial function
+ │ └── network.py # MD simulation architecture
+ └── eval.py # evaluation interface
+```
+
+整体执行流程如下：
+
+1.准备分子动力学推理的数据集，处理成输入数据集
+
+2.定义分子动力学网络，加载预训练模型
+
+3.加载数据集进行推理，查看结果
+
+实践前，确保已经正确安装MindSpore。如果没有，可以通过[MindSpore安装页面](https://www.mindspore.cn/install)安装MindSpore。
+
+## 准备数据集
+
+从DeePMD的目录下：`github.com/deepmodeling/deepmd-kit/examples/water/data`获得水分子的数据集，这个数据集是由Quantum Espresso产生的，该软件的输入是由人工设定参数的。
+
+数据的目录结构如下：
+
+```text
+└─data
+ ├─type.raw
+ ├─set.000
+ │ ├──box.npy
+ │ ├──coord.npy
+ │ ├──energy.npy
+ │ └──force.npy
+ ├─set.001
+ ├─set.002
+ └─set.003
+```
+
+## 加载处理数据集
+
+接下来，需要对数据进行预处理，变成推理所需的输入数据。
+
+在DeePMD的目录下：`deepmodeling/deepmd-kit/source`：
+
+- 使用`train/DataSystem.py`进行预处理，得到处理后的原子坐标d_coord和原子类型atype两种数据
+- 使用`train/DataSystem.py`下的`compute_input_stats`来得到数据集的统计指标平均值avg和方差std
+- 还需要获取原子的邻居表nlist，一般可以从其他模拟软件例如Lammps获得，也可以使用目录下的`op/descrpt_se_a.cc`来得到d_nlist和nlist
+- 将`d_coord`、`d_nlist`, `atype`、`nlist`、`avg`和`std`存为npz文件，方便后面进行推理
+
+```python
+# get input data
+r = np.load(args_opt.dataset_path)
+d_coord, d_nlist, avg, std, atype, nlist = r['d_coord'], r['d_nlist'], r['avg'], r['std'], r['atype'], r['nlist']
+```
+
+## 准备预训练模型
+
+首先构建模型，然后从华为云MindSpore预训练模型仓[下载](https://download.mindspore.cn/model_zoo/research/hpc/molecular_dynamics/)模型参数，保存为ckpt文件，接着定义网络并加载网络的模型参数。
+示例代码如下：
+
+```python
+import mindspore.dtype as mstype
+from mindspore import load_checkpoint, load_param_into_net
+from src.network import Network
+...
+# get trained model
+net = Network()
+param_dict = load_checkpoint(args_opt.checkpoint_path)
+load_param_into_net(net, param_dict)
+net.to_float(mstype.float32)
+```
+
+- `load_checkpoint`方法会加载参数文件中的网络参数，`load_param_into_net`将参数加载到模型中。加载后，网络中的参数就是CheckPoint保存的。
+
+## 加载数据集进行推理
+
+```python
+energy, atom_ener, force, virial = \
+ net(d_coord_tensor, d_nlist_tensor, frames, avg_tensor, std_tensor, atype_tensor, nlist_tensor)
+```
+
+## 执行推理
+
+```shell
+python eval.py --dataset_path [DATASET_PATH] --checkpoint_path [CHECKPOINT_PATH]
+```
+
+脚本需要传入变量`DATASET_PATH`和`CHECKPOINT_PATH`，其中：
+
+- `DATASET_PATH`：推理数据集路径。
+- `CHECKPOINT_PATH`：保存的checkpoint路径。
+
+目前推理使用的是单卡（默认device 0）进行推理，推理的结果如下：
+
+```text
+energy: -29944.03
+atom_energy: -94.38766 -94.294426 -94.39194 -94.70758 -94.51311 -94.457954 ...
+force: 1.649112 -1.0982257 0.46055675 -1.3491507 -0.3382736 -0.97184074 ...
+virial: -11.736662 -4.2862144 2.8852935 -4.286209 -10.408775 -5.6738224 ...
+```
+
+- `energy`：模拟原子体系的总势能。
+- `atom_energy`：每个原子的势能。
+- `force`：原子在3个分量上的受力。
+- `virial`：代表维里。