做材料模拟该用DFT还是MD？先看"算什么、多大、多准"-测试狗·科研服务

最高享18%加赠+10W算力预存

登录注册

Document

当前位置：文库百科 › 文章详情

做材料模拟该用DFT还是MD？先看"算什么、多大、多准"

来源：时间：2026-11-05 14:10:04 浏览：302次

做材料的课题组经常把体系报过来，先问能不能算。多数时候得到的回答是一句“能算”。接着问该用什么方法，口径就开始分岔：有人说密度泛函理论准，有人说分子动力学快。

真到动手，同一套体系，有人只放几十个原子做静态结构，有人已经在跑百万原子、纳秒尺度的轨迹。方法名都听过，为什么选、怎么选，却常常说不清。判断路线有一套稳定顺序，不看方法名气，先看问题要什么，再让方法对号入座。先看三种方法各自在答什么。

三种方法，各答什么

密度泛函理论（DFT）这一路直接解电子结构：给定原子坐标，算出体系能量和原子受力，再推出吸附能、反应能垒、电荷分布这类电子层面的量。它适合回答为什么。短板是贵，计算量随电子数快速增加，通常只能处理约千原子、数百皮秒以内的问题[1]。它适合比较两三个构型谁更稳、哪条路径更容易。要它覆盖长时间演化，代价会陡增，每多一帧都要重解电子结构。同一种材料，做静态结构判断和做长时间演化，成本不在一个量级，能回答的问题也不同。

分子动力学（MD）这一路不直接算电子，把每个原子当粒子，按牛顿运动方程一步步推位置和速度。受力可以来自预先给定的势函数，也可以每步用DFT现算。用势函数的叫经典MD，体系能到百万原子、时间能到数百纳秒，代价是丢掉量子力学精度[2]。每步用DFT现算的叫从头算分子动力学（AIMD），精度接近DFT，体系却只剩十到数百原子、数十皮秒[2]。经典MD直接产出的是轨迹；扩散系数、径向分布函数、界面层厚度，都是从轨迹里统计出来的量。轨迹本身受势函数约束，换个力场，同一个现象可能给出另一套答案。拿到一段轨迹，先写清要从中统计什么，再决定跑多长。

MD的快慢由势函数决定。经典力场便宜，可迁移性差；DFT准，又太贵。机器学习原子间势（MLIP）正是为衔接这两头：先用DFT生成能量和受力当参考数据，再让模型学会从原子局域环境预测能量和力。训练完成后，它能用接近力场的速度给出接近DFT的精度[1][2]。

这一支换过几代：GAP放开固定函数形式，直接从DFT能量和受力生成模型，随数据增加可系统性改进，用长轨迹算高温性质能省下数量级成本[3]。DeePMD用深度神经网络保留平移、旋转、置换对称，结果与参考数据几乎不可区分，成本随体系大小近似线性增长[4]。NequIP把E(3)等变性做进图神经网络，对几何张量做卷积，可比已有模型少最多三个数量级训练数据[5]。要得到稳定结果，局域环境描述必须满足平移、旋转、同类原子交换的不变性，保证同一个局域环境无论怎么摆放，模型给出的结果都不变。训练通常同时拟合能量、受力和应力，检验还要看弹性常数、声子谱这类衍生性质，不能只看训练误差[1]。

机器学习势的开发流程：用DFT数据训练模型，再去做更大规模的模拟。来源：Zuo et al., J. Phys. Chem. A 2020[1]。

三个名字里最容易混的是AIMD。它没有在DFT之外另设一类方法，只是把DFT嵌进MD的每一步，因此精度与DFT一致，成本也接近DFT。关系理清，后面谈成本才有基准。

今天来了三个问题

把一个体系拿到面前，先明确三个问题：算什么、多大、多准。答案会被它们筛出来。

先把输出量写清楚。二氧化铪可以被问成两个版本：问它几个候选结构哪个更稳，那是能量排序问题，DFT合适；问它熔体里铪和氧怎么扩散，那是长时间统计问题，更适合由机器学习势驱动的大规模MD[2]。材料没变，输出量变了，算法和结论口径就跟着变。想看吸附强弱、反应路径、电子态变化，往DFT或由DFT训练出的机器学习势走；想看扩散系数、界面结构、长时间构象变化，往经典MD走。输出量还没定义时，任何方法都只能输出一个数值，给不出答案。把这个输出量写下来，后面选方法才有锚点。

输出量定了，再看体系多大、时间多长。DFT约千原子、数百皮秒；AIMD更小，约十到数百原子、数十皮秒[2]；经典MD能到百万原子、数百纳秒[2]。过程发生在纳秒之后，或需要几千个原子做统计，DFT就不在候选名单里。只要算一个吸附位点，硬跑长时间MD也多余。还有一层容易漏：问题里的长度尺度不等于原子总数。界面、孔道、低浓度缺陷，往往要很大的超胞才装得下统计意义。先把最小可复现的模型尺寸定下来，再判断哪类方法承受得住。尺寸和时间先落到可验证的量上，方法名单会短很多。

精度问题放到后面。要有多准，价格不一样。有研究把四类机器学习势放进同一套数据比较，能量误差在毫电子伏每原子量级，力误差在0.1电子伏每埃量级，已经接近DFT自身的误差范围[1]。只要做趋势排序，便宜一点的模型也许够用。一旦涉及高能态、迁移能垒、缺陷这类少见构型，精度才会真正冒出来[6]。不同模型还有精度与成本的对换：自由度越多、成本越高，精度提升未必成比例[1]。比平均误差管用的判断是，模型误差必须小于你要分辨的效应。两个吸附位相差0.05电子伏，模型误差也在同一量级，排序就不可靠。别只问某个方法的平均误差，要问它在你要比较的那一两个结构上的误差。误差本身可以接受，不知道落在哪才麻烦。做这类比较时，先把交换关联泛函、赝势、截断能和电位修正统一口径，误差数字才有可比性。

机器学习势的开发流程：用DFT数据训练模型，再去做更大规模的模拟。来源：Zuo et al., J. Phys. Chem. A 2020[1]。

所谓接近DFT精度，通常只在训练数据覆盖到的构型上成立。这条边界常被忽略。训练集外的构型，模型可能系统性偏软[6]。比较时还有一层口径：精度要放在同一套参考数据、同一个测试集里看。换一套DFT设置，或把力误差与能量误差混在一起，结论就会变味。拿训练内误差去推断训练外表现，容易高估模型。

方法可以接成一条流水线

三种方法不必单选。常用的组合是DFT造数据，机器学习势学数据，MD放大跑。DFT负责小体系里的精度，MD负责大体系里的规模，机器学习势在中间起衔接作用。单看每一种方法都有边界，接起来才能把边界变宽。

机器学习势真正被拿去跑动力学，例子已经不少。sGDML把空间和时间物理对称性放进梯度域机器学习，用CCSD(T)参考数据构造分子力场，随后跑含量子化电子与核的分子动力学，对象是几十原子以内的柔性分子[7]。预训练通用势走另一条路：CHGNet在十多年DFT计算积累出的超过150万无机结构上训练，显式带磁矩，能直接做LixMnO2的电荷信息分子动力学、LixFePO4的有限温度相图和石榴石导体中的锂扩散[8]。

训练数据怎么选，决定这条路省不省。凭经验挑结构，慢，还容易漏。主动学习让模型按误差一轮轮挑样本：先小批量训练，找出预测最不稳的结构，补算DFT，再训练，少量结构就能逼近目标精度[2]。流程通常分三层，聚类从轨迹里挑出互不相似的构型，训练后看误差是否达标，再用贝叶斯优化调整模型超参数；误差不达标就回到数据池补样，直到收敛[2]。聚类让补进来的结构尽量不重复，贝叶斯优化让参数少走弯路。这套循环只把DFT算例花在最有价值的结构上，并不取代DFT。做这类流程时，参考DFT设置、训练与验证集的切分方式先固定下来，后面补样本或换模型才有同口径基线。

主动学习工作流：让误差“指挥”下一轮采样，减少无效计算。来源：Sivaraman et al., npj Comput. Mater. 2020[2]。

一个二氧化铪的例子把这条链走通了。研究者用熔融后淬火的AIMD轨迹做数据池，主动学习只挑出260个构型，约占淬火数据集的百分之0.8。得到的势函数能量平均绝对误差为2.6毫电子伏每原子，力误差为0.28电子伏每埃[2]。用它跑6144个原子的分子动力学，结构因子与实验吻合，扩散常数与既有从头算结果接近[2]。

成本对照放一起看：先前从头算用270个原子跑56皮秒，花21500个处理器机时；这个6144原子模型跑110皮秒，只花1080个处理器机时[2]。这个数字来自单个材料、特定流程，不能当通用倍率。换体系，训练数据量和成本要重新估。先看构型覆盖，再看机时，这条链才谈得上划算。

体系再大一级，还有粗粒化。软物质这类跨尺度问题，可以先做全原子模拟，把若干原子团合并成珠子跑更大尺度，再反向映射把原子细节装回去。粗粒化省自由度和势面平滑带来的加速，也带来时间尺度换算问题。粗粒化模型有内在时间单位，不能直接与原子时间一一对应，要靠均方位移等曲线对齐来换算[9]。这条链不需要每一环都上，关键是各分辨率之间保持结构或热力学一致。粗粒化是拿细节换尺度，换之前先想清楚要保留哪一层信息。

动手前的三条提醒

动手之后，返工多半出在操作阶段。下面三条只为了少返工，不增加额外步骤。

从小体系开始。机器学习势正式放大前，先拿小体系DFT结果对一遍。能量、受力要看，最终要输出的那个量尤其要看。小体系已经偏，放大只会把偏差一起放大。放大之后还要盯轨迹稳不稳、总能量是否漂移、温度能否控住。校验不过，大体系跑出的漂亮曲线也说明不了问题。小体系这一步花的时间，通常比返工便宜。模型版本、训练构型、参考DFT设置、检验过的性质，一并写进结果记录，日后才复核得起来。

先定问题，再生成数据。先跑一堆轨迹、算完再想说明什么，容易返工。问题问清楚，数据才不至于白算。训练数据量大不必然带来效果：同一套标准化数据里，少数构型只要覆盖基态、表面、缺陷和不同温度，约百到两百个结构就能让部分模型达到毫电子伏每原子和0.01电子伏每埃量级[1]。这个结论来自六种单质体系，不能直接套到多组分或反应性体系。

判断模型，只看误差。预训练通用机器学习势开箱即用，CHGNet这类模型的训练面广，但放到表面、缺陷、离子迁移势垒、声子振动和高能态上，会被发现系统性地把能量和力预测偏低，根子在预训练数据集中在近平衡构型[6][8]。对具体体系做少量数据微调，甚至用一个DFT参考点做线性修正，能去掉相当一部分系统误差[6]。这只说明该体系可救，换一个体系是否安全，不能提前保证。先用它在你关心的构型上试一段，误差合适再往下走。

轮到你的体系，走哪条线

带来一个几十到几百原子的静态问题，又想知道结构稳不稳、电荷往哪走、反应路径为什么这样拐，走第一性原理计算。它把结构优化、能量和电子结构放在一套流程里做，交付优化后的结构文件、能量与电子结构结果和对应参数。要长时间统计时它使不上劲，别拿它硬撑。

体系里的原子要动起来，比如离子怎么扩散、界面层多厚、熔体怎么演化，分子动力学更合适。它从轨迹里统计扩散系数、径向分布函数这些量，交付轨迹文件、轨迹分析和统计数字。轨迹质量跟着势函数走，换力场前先确认口径。

体系大、时间长，又不愿牺牲接近DFT的精度，就开机器学习势函数开发与分子动力学模拟。先用DFT造数据、训练势函数，再把模型交给MD放大跑，拿到训练好的势函数、验证报告和大规模模拟结果，训练构型也一并给。训练集之外的构型先验，先算小，再放大。

只有几十到几百原子，又要每一步都带电子结构，比如高温、快速降温或短时间内的成键断键，开第一性原理-AIMD。每步现算电子结构，交付短时间从头算动力学轨迹和对应能量、受力。体系一大、时间一长，成本会立刻抬起来。

这几条线交出去的结果都带参数、结构和原始数据，回来复核不用再猜口径。拿不准走哪条线，把体系信息发来，先把问题厘清，再定做法。

关于测试狗计算业务

从第一性原理到分子动力学、再到机器学习势，这个板块覆盖的正是这套方法链。测试狗科研服务的计算业务，覆盖第一性原理、分子动力学、量子化学和机器学习势，方向包括催化、能源、材料、环境等，从结构建模、参数设定、计算执行到结果整理，全程留档。

一是每个数字都有来处。计算参数、结构文件和原始数据随结果一并交付，换台机器也能复算核对。

二是计算和实验接得上。测试狗本身提供实验外协服务，模型里的结构和参数可以用你自己的XRD、XPS、电镜数据校准，结果回到实验有对照。

三是批量算例和长任务管得过来。几十到几百个体系能够批量推进，跑几天的任务不用人守着，异常会给出下一步说明。

扫描添加技术顾问

参考文献

[1]Zuo Y et al. Performance and Cost Assessment of Machine Learning Interatomic Potentials. The Journal of Physical Chemistry A, 2020, 124: 731-745. DOI: 10.1021/acs.jpca.9b08723

[2]Sivaraman G et al. Machine-learned interatomic potentials by active learning: amorphous and liquid hafnium dioxide. npj Computational Materials, 2020, 6: 104. DOI: 10.1038/s41524-020-00367-7

[3]Bartók AP et al. Gaussian Approximation Potentials: The Accuracy of Quantum Mechanics, without the Electrons. Physical Review Letters, 2010, 104: 136403. DOI: 10.1103/physrevlett.104.136403

[4]Zhang L et al. Deep Potential Molecular Dynamics: A Scalable Model with the Accuracy of Quantum Mechanics. Physical Review Letters, 2018, 120: 143001. DOI: 10.1103/physrevlett.120.143001

[5]Batzner S et al. E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentials. Nature Communications, 2022, 13: 2453. DOI: 10.1038/s41467-022-29939-5

[6]Deng B et al. Systematic softening in universal machine learning interatomic potentials. npj Computational Materials, 2025, 11: 9. DOI: 10.1038/s41524-024-01500-6

[7]Chmiela S et al. Towards exact molecular dynamics simulations with machine-learned force fields. Nature Communications, 2018, 9: 3887. DOI: 10.1038/s41467-018-06169-2

[8]Deng B et al. CHGNet as a pretrained universal neural network potential for charge-informed atomistic modelling. Nature Machine Intelligence, 2023, 5: 1031-1041. DOI: 10.1038/s42256-023-00716-3

[9]Peter C et al. Multiscale simulation of soft matter systems – from the atomistic to the coarse-grained level and back. Soft Matter, 2009, 5: 4357. DOI: 10.1039/b912027k

上一篇：从“能测”到“测得好”：EBSD数据质量自检的5个判据