文献深度解读：当机器学习遇见第一性原理——将分子动力学推向一亿原子极限
文献深度解读：当机器学习遇见第一性原理——将分子动力学推向一亿原子极限 文献信息： 标题： Pushing the limit of molecular dynamics with ab initio accuracy to 100 million atoms with machine learning 作者： Weile Jia, Han Wang, Mohan Chen, Denghui Lu, Lin Lin, Roberto Car, Weinan E, Linfeng Zhang 发表会议： SC20 (2020 ACM/IEEE Supercomputing Conference) 荣誉： 2020年 ACM 戈登·贝尔奖 (Gordon Bell Prize) 获奖论文 1. 引言：鱼与熊掌不可兼得的分子动力学困境 在材料科学、化学和生物学中，分子动力学（Molecular Dynamics, MD） 是一种极其重要的计算机模拟方法，它就像是微观世界的“摄像机”，能够记录原子和分子的运动轨迹。 然而，传统的MD模拟一直面临着一个“鱼与熊掌不可兼得”的困境： 第一性原理分子动力学（AIMD）： 基于量子力学（如密度泛函理论 DFT），计算极其精确，能真实反映化学键的断裂与生成。但它的计算复杂度通常随原子数的立方（\(\mathcal{O}(N^3)\)）增长。即使在超级计算机上，也只能模拟几千个原子，时间跨度仅为 皮秒（\(10^{-12}\)秒） 级别。 经验力场（EFF）： 速度极快，可以模拟数百万原子。但它是基于经验公式拟合的，缺乏泛化能力和精度，难以准确描述复杂的化学反应或多元素系统。 这篇论文的突破在于： 借助深度学习（Deep Learning），作者团队成功打破了这一僵局，在保留 AIMD 级别精度的同时，将计算效率提升到了 EFF 的水平，在 Summit 超级计算机上实现了上亿原子、纳秒级别的模拟，一举斩获超算领域的诺贝尔奖——戈登·贝尔奖。 ...