分子动力学

机器学习原子间势（MLIP）在过去数年间从少数专家的工具迅速变成了分子模拟的主流手段，但爆炸式增长的文献也让希望上手的研究者无从下手。这篇综述由 Jacobs、Morgan 等三十余位来自威斯康星大学、哈佛、伯克利、剑桥、Google DeepMind、Meta FAIR 等机构的作者合著，源自 2023 年 MLIP-SAFE 研讨会，刻意把数学形式体系降到最低，转而回答那些真正卡住实践者的问题：该选哪种势、需要多少训练数据、能跑多快、精度够不够、什么时候它会失效。以下为全文中译。

刚接触分子模拟时，你会听到一大堆名字：LJ、EAM、CHARMM、AMBER、OPLS、ReaxFF、MARTINI、DeepMD……每个名字都代表一种力场，也代表一种理解原子世界的方式。本文想从头到尾捋一捋：这些力场是怎么来的、它们各自擅长什么、以及什么时候该用什么。

在计算模拟研究中，模型的选择直接决定了结果的可靠性和研究的价值。一位研究生曾在暑假期间烧掉了8000多元的机时费，最终数据却完全无法使用，原因正是初始模型选择不当。本文将剖析计算模拟中常见的五种"坑人"模型，帮助研究者在实际工作中避开这些代价高昂的陷阱。