分子动力学模拟势函数 — 从Lennard-Jones到机器学习势的精度博弈

分子动力学模拟势函数的选错代价可能比算力不足更大。用一个为惰性气体设计的LJ势（Lennard-Jones）去模拟金属——你一个字都别说塑性变形和位错。用一个为碳氢化合物脂肪链设计的CHARMM力场去模拟石墨烯——你可能会看到石墨烯在常温下自己折叠。每种势函数都有一套它”出身”的物理假设——本文用横向对比的方式，把分子动力学模拟势函数的选型逻辑讲清楚。

一、两体势——从LJ到Morse的百年经典

分子动力学模拟势函数中最古老也是最简单的形式是两体势。Lennard-Jones势的形式是V(r)=4ε[(σ/r)^12 – (σ/r)^6]——r^(-12)项描述电子云重叠导致的Pauli排斥，r^(-6)项描述色散（诱导偶极）吸引。两个参数ε（势阱深度）和σ（碰撞直径）参数化了特定材料。

LJ势的最大问题是：对金属完全不适合。金属中的内聚力来自价电子海对离子的屏蔽——是多体的、非局域的，不是一个两体势能捕捉的。用LJ势做FCC铝的模拟，你得到的空位形成能约0.4 eV（实验0.68 eV），而且C_12和C_44弹性常数之比C_12/C_44≈1（实验约1.3）——两体势强制了Cauchy关系（C_12=C_44），这个关系对金属原子间作用力不成立。

Morse势V(r)=D[1-exp(-α(r-r_0))]²比LJ复杂一点——三个参数（D, α, r_0），适用于共价键的描述。Morse势在r的较大范围内有非简谐性——适合描述键的断裂，被用在Cu团簇和表面的模拟中。但同样存在Cauchy关系问题。

二、EAM等金属多体势

EAM（Embedded Atom Method）势是金属分子动力学模拟势函数的金标准。EAM的基本假设：一个原子的能量等于嵌入能（把该原子放在周围电子气密度中的能量）+两体排斥对势。EAM的总能量形式：

E_total = Σ_i F_i(ρ_i) + (1/2)Σ_i Σ_j≠i φ_ij(r_ij)

其中ρ_i=Σ_j≠i f_j(r_ij)是周围原子j在位置i处贡献的电子密度，F_i(ρ)是嵌入能函数（非线性——一个电子在均匀电子气中的嵌入能），φ_ij是离子-离子排斥对势。三个函数F、f、φ从实验数据（弹性常数、空位形成能、内聚能、晶格常数）或DFT数据拟合得到。

EAM为什么能正确再现C_12≠C_44？因为嵌入能F(ρ)的非线性——它打破了Cauchy关系。当原子位移时，电子密度的变化不仅反映在两体对势中，还通过F(ρ)非线性映射到能量贡献——这产生了有效三体/多体交互。

不同EAM势的质量差异很大。Mishin势（如Mishin-Farkas-Papaconstantopoulos对Ni-Al势）拟合了多种实验数据+DFT数据，包括堆垛层错能和声子色散——通用性好。Foiles势（最早的EAM之一）拟合数据较少，对某些合金相的预测可能偏15-20%。

三、Tersoff和共价晶体势

共价晶体（Si、Ge、SiC、GaN等）的键合是方向性的——sp³杂化轨道决定了键角约109.5°——这不能只用两体势描述，必须有键角依赖项。Tersoff势在共价晶体的分子动力学模拟势函数中应用最广。

Tersoff势的形式：V_ij = f_C(r_ij)[f_R(r_ij) + b_ij f_A(r_ij)]，其中f_R是排斥项，f_A是吸引项，b_ij是键序参数（bond order）——它是原子i-j-k之间键角的函数，引入键角依赖性来捕捉sp³的方向性。b_ij<1意味着”这条键局部环境中的键合竞争减弱了它的强度”。

Tersoff势在Si的熔点和热膨胀系数上表现较好，但热导率预测偏差可达30-50%——因为Tersoff势的声子色散曲线和实验不完美重合。修正版Stillinger-Weber势在Si的热导率上表现更好，但只能处理Si-Si，不支持Si-C、Si-Ge等多元素体系。

四、ReaxFF反应力场

ReaxFF是反应分子动力学模拟势函数中的里程碑——经典力场认为”哪个原子和哪个原子成键”是固定的（在拓扑文件中预先定义），ReaxFF让键的形成和断裂在模拟中动态发生——通过计算每个原子对的键序（由原子间距离和配位数动态决定）来决定键的强度。

ReaxFF的能量表达式极其复杂——包含键能、过配位能、欠配位能、共轭能、范德华能、库仑能等约15个能量项，每个能量项有自己的函数形式和参数。ReaxFF的参数集特定于某种化学体系——有专门的燃烧（C-H-O-N）参数集、水系（water）参数集、电池（Li-S）参数集等——不同参数集之间不能混用。

ReaxFF的精度和经典非反应力场比有大约0.3-0.5 eV/键的能量误差和约0.05-0.10 Å的键长误差——精度足够描述大致的反应路径选择和趋势比较，但对于定量热力学（如精确的过渡态势垒）不足。ReaxFF的计算成本是经典力场的10-100倍（因为有键序计算和电荷平衡EQeq的实时迭代）。

五、机器学习势的崛起

近五年分子动力学模拟势函数的革命来自机器学习势——用神经网络（DeepMD、NequIP、MACE等）或核方法（GAP、SNAP）从DFT数据集中学习原子间作用力。

DeepMD势（Deep Potential Molecular Dynamics）用深度神经网络学习原子总能量对局部原子环境的函数映射。输入是每个原子周围的局部环境描述符（距离+角度+化学种类的embedding），输出是每个原子的能量贡献+原子力。DeepMD势的力误差可低至30-50 meV/Å——接近DFT精度（通常DFT力误差约50-100 meV/Å对中等基组）。

机器学习势的一个关键优势是”普适性”——在DFT精度下扩展到百万原子的大规模模拟——同时保持量子力学精度。MACE-MP-0（Materials Project的Foundation Model）势覆盖了周期表中89种元素——通用性远超传统势函数。

但机器学习势也有缺点：外推到急剧压缩或极度拉伸状态的准确性通常比经典势差（因为训练数据大多覆盖平衡态附近）。而且训练所需DFT数据量级在1000-10000个构型——对新材料体系的入门成本较高。

六、专业分子动力学模拟势函数选择服务

 需要分子动力学模拟势函数服务？

科研学术网提供专业的势函数选择与拟合服务：

– ✅ 全类型覆盖：金属EAM/MEAM、共价Tersoff/SW、反应ReaxFF、通用分子CHARMM/AMBER

– ✅ 机器学习势开发：DeepMD/SNAP/GAP/NequIP势的训练与验证

– ✅ 精度评估：势函数→实验弹性常数、声子、缺陷能的多维度基准测试

– ✅ 定制化：对新材料体系的高精度机器学习势从头训练

立即咨询报价 →