Npj Comput. Mater. : 分子水难模拟：机器学习终揭秘

主要观点总结

本文介绍了一项由海归学者发起的公益学术平台上的突破性研究，该研究解决了长期以来模拟水的性质所面临的难题。由渤海大学的徐克副教授及其团队开发了一种名为NEP-MB-pol的机器学习势函数框架，能够统一、高精度预测水的结构、热力学和输运性质。该框架结合了神经演化算法、路径积分分子动力学和量子修正技术，仅使用少量数据训练，计算速度比传统方法快得多，且预测结果高度符合实验数据。该研究的成功不仅为水科学研究提供了新的模拟解决方案，也为多个科学领域的应用提供了广阔的前景。

关键观点总结

关键观点1: 研究背景与重要性

水的性质模拟一直是理论计算与实验科学中的难题，因其对生命起源、气候系统、能源存储等方面的影响而受到广泛关注。传统力场在精度与效率之间难以兼顾，对水输运性质的预测常常失准。

关键观点2: NEP-MB-pol框架的开发与特点

徐克副教授团队开发的NEP-MB-pol框架基于神经演化算法，以高精度的MB-pol数据集为训练基础，结合了路径积分分子动力学与量子修正技术，成功捕捉了水分子的量子行为。

关键观点3: 研究的创新与优势

NEP-MB-pol框架仅使用原数据集的1%进行训练，就达到了优于多数全数据集训练模型的精度，计算速度比传统量子化学方法快10万倍。该框架能够同时准确预测水的静态与输运性质，揭示了核量子效应在微观结构与输运过程中的核心作用。

关键观点4: 应用前景

NEP-MB-pol框架的成功为水科学研究提供了“一站式”模拟解决方案，为极端条件下水行为的研究开辟了新路径。其在能源材料、生物物理、环境科学等领域的应用前景广阔，有望为多个领域的研究带来深入的理解。