【摘要】 围绕 Li-Si-C 体系 NEP 机器学习势函数、DFT、AIMD、主动学习和数十万原子级模拟展开，突出接近 DFT 精度与约 7 万倍加速。

 

科学指南针唯理计算工程师廖宇杰的机器学习势函数研究成果，已发表于《ACS Applied Materials & Interfaces》。该研究针对 Li-Si-C 三元体系搭建 NEP 模型，在模拟效果接近 DFT 计算精度的前提下，实现相较传统 AIMD 模拟约 7 万倍运算提速，同时可稳定开展数十万原子级模拟工作，为多元材料体系计算研究提供可靠技术支撑。

 

NEP 机器学习势函数是什么？

NEP 机器学习势函数是依托大数据学习搭建的新型材料计算模型，它主要通过学习提炼 DFT 计算得出的能量、原子作用力等核心数据信息，简化后续分子动力学模拟的运算流程。该模型能够在维持稳定模拟精度的同时，有效提升大规模原子体系的计算运行效率，相较于传统经验势函数，更适配成分复杂、作用环境多样的多组分材料体系研究。

 

用于设计 Li−Si−C NEP 力场模型的示意工作流程

 

为什么 Li-Si-C 体系需要机器学习势函数？

传统材料计算手段存在明显应用局限，这也是 Li-Si-C 三元体系研究引入新型势函数的核心原因。DFT 计算结果精准，但整体运算成本较高；AIMD 模拟适合分析原子动力学变化，面对复杂界面与大尺度原子集群时运算周期过长。Li-Si-C 属于多组分复合体系，传统方法难以兼顾精度与效率，引入 NEP 模型能够很好补齐这一研究短板。

 

主动学习如何提升 NEP 模型建模效率？

主动学习是优化 NEP 模型搭建效率与覆盖范围的重要手段，该方法可以智能筛选出代表性更强的结构样本进行训练。依托这一优化方式，本次研究仅选用原始数据池内 4.3% 的结构样本，就能够完整覆盖体系 90% 以上的特征空间，既减少了前期数据采集与整理的工作量，也能通过持续参数迭代，不断拉近模拟结果与 DFT 理论数值的差距。

 

7 万倍加速对材料计算有什么价值？

实现约 7 万倍的 AIMD 模拟提速，能够大幅缩短各类复杂材料体系的科研测算周期。搭配模型具备的数十万原子级模拟能力，科研人员可快速完成大尺度材料微观机理探究、材料基础性质预测等常规研究工作，减少算力与时间成本消耗，也为后续 AI + 材料研发相关科研训练积累了成熟落地案例。

 

常见问题 FAQ

NEP 机器学习势函数是什么？

NEP 即机器学习势函数，是面向材料模拟研发的智能计算模型，以 DFT 标准数据为学习基础，简化分子动力学模拟流程，兼顾运算效率与模拟准确度，可适配 Li-Si-C 等多元体系，区别于通用性较弱的传统经验势函数。

 

Li-Si-C 体系为什么适合用机器学习势函数？

Li-Si-C 三元体系组分复杂、微观界面结构繁多，DFT 与 AIMD 组合计算耗时久、算力消耗大。NEP 模型可适配其复杂化学作用环境，依托高效运算优势，轻松完成数十万原子尺度的模拟工作，契合该体系基础机理研究需求。

 

主动学习在 NEP 模型中有什么作用？

主动学习能够精准筛选优质训练样本，大幅降低 NEP 模型训练所需的数据体量，仅用少量结构数据即可覆盖绝大多数体系特征。同时可动态优化模型参数，持续优化模拟精度，是实现小数据建模、高效运算的核心辅助方式。

 

7 万倍 AIMD 加速是否会影响模拟精度？

本次优化提速并未牺牲核心模拟精度，NEP 模型运行得出的结果整体接近 DFT 计算精度。提速主要通过简化冗余运算流程实现，仅优化运算速率，不会改变材料能量、结构演化等核心模拟逻辑，可满足常规科研数据使用标准。