AI4S前沿：机器学习势（MLP）打破量子化学与力场的精度速度困局

做计算化学的人，几乎都在同一个“三难”里打转：想要精度，就得上量子化学，但体系一大就算不动；想要速度和规模，就退回经典力场，可它描述不了成键与断键，精度也难保证。有没有一种方法，既有接近量子化学的精度，又有接近力场的速度？机器学习势（MLP）正是为回答这个问题而来。

一、老问题：精度与速度的“不可能三角”

分子模拟的核心是要算准原子间的势能面（Potential Energy Surface,PES）——体系能量如何随原子坐标变化。有了准确的势能面，能量、受力、几何结构、振动频率、反应路径乃至热力学性质，都能顺藤摸瓜地推出来。问题在于，怎么把这张“面”算得又快又准。

长期以来，我们只有两条腿走路：

• 密度泛函理论（DFT）等量子化学方法：从电子结构出发，精度高、能描述化学反应，但计算量随体系增大急剧上升，几百个原子往往就是上限，大体系、长时间的动力学模拟基本“算不起”。

• 经典力场（Molecular Mechanics）：用预设的弹簧、电荷等经验函数近似原子相互作用，速度极快、能跑到百万原子，但键长键角被“写死”，无法描述成键/断键，精度高度依赖参数化质量，换一类体系常常就要重新调参。

于是就形成了那个熟悉的困境：要精度就慢，要速度就糙。机器学习势的出现，正是要在这两者之间架一座桥。

二、MLP是什么：让神经网络“学会”势能面

机器学习势（Machine Learning Potential,MLP）的思路可以一句话概括：用大量高精度量子化学计算结果作为“标准答案”，训练一个神经网络去拟合势能面。训练好之后，模型输入一组原子坐标，就能直接输出能量和受力——精度向它的“老师”（DFT甚至耦合簇CCSD(T)）看齐，而计算成本却接近力场级别。

为什么能这么快？关键在于MLP把“解薛定谔方程”这件昂贵的事，变成了一次“神经网络前向推理”。它不再每一步都重新求解电子结构，而是把量子化学的知识预先压缩进模型参数里。因此在保持近量子化学精度的同时，速度相比DFT通常可以快上三到六个数量级，让过去“不敢想”的大体系、长时间尺度模拟成为可能。

一个恰当的类比：DFT像每道题都从公式一步步推导，严谨但慢；力场像背了一套死公式，快但容易套错；MLP则像一位刷过百万道题、形成了“化学直觉”的学霸——既快，又能给出接近标准答案的结果。

三、ANI系列：MLP里最具代表性的“通用选手”

在众多MLP中，ANI系列是最具代表性、也是工程落地最成熟的一支。它采用原子环境描述符+神经网络的架构，把每个原子的局部化学环境编码后送入网络预测能量，具备良好的可迁移性——只要目标分子落在其训练覆盖的化学空间内，就能开箱即用，无需针对体系重新参数化。

ANI-1x 模型

覆盖元素：H、C、N、O

定位与特点：以主动学习从约500万DFT（ωB97x）构型训练，覆盖广阔有机化学空间，通用性强，适合日常有机小分子。

ANI-1ccx 模型

覆盖元素：H、C、N、O

定位与特点：在ANI-1x基础上迁移学习至CCSD(T)/CBS“黄金标准”精度，在反应热化学、异构化、类药分子扭转能上逼近耦合簇水平。

ANI-2x 模型

覆盖元素：H、C、N、O、F、Cl、S

定位与特点：在ANI-1x元素基础上扩展F、Cl、S，覆盖更多类药/含卤分子，是药物与精细化工场景的实用主力。

简单说：ANI-1x通用、ANI-1ccx最准、ANI-2x覆盖元素最广。面对常见的有机小分子、类药分子与含卤/含硫结构，三者组合基本能覆盖日常研发的绝大多数场景。这也是为什么它们被首选集成进工业级平台。

四、落地三大场景：能量、几何优化、热力学

MLP不是实验室里的“炫技”，它的价值在于把日常计算任务做得更快更省。以下三类高频任务，最能体现它的实用性。

场景1· 单点能量计算（Single-Point Energy）

给定一个构型，快速算出体系能量，是几乎一切计算的起点：构象打分、结合能估算、反应能垒比较都离不开它。用MLP做单点能，可以在接近量子化学精度的前提下，把原本需要排队等算的DFT任务缩短到近乎“秒出”，特别适合需要对大量构象/分子批量打分的高通量场景。

场景2· 几何优化（Geometry Optimization）

找到分子的稳定结构（能量极小点），是建模的必经步骤。传统DFT优化对大分子或大批量分子往往耗时惊人。MLP提供了平滑、连续且可解析求导的势能面，能给出准确的原子受力，从而高效驱动结构优化收敛。实践中常见的用法是：先用MLP做快速预优化/粗筛，再对少数关键结构用DFT精修，把算力集中花在刀刃上。

场景3· 振动分析与热力学性质

在优化好的结构上做振动分析（频率计算），即可进一步推导零点能、焓、熵、吉布斯自由能等热力学量——这些正是判断反应可行性、比较异构体稳定性、估算反应/结合自由能的关键。MLP势能面二阶导数可得，使得频率与热力学性质的计算同样能被大幅加速，让“热力学层面的批量筛选”从理论走向日常。

一句话总结这三个场景：算能量、找结构、评热力学——MLP 都能在“接近量化的准”和“接近力场的快”之间给出很好的平衡点，尤其擅长“先粗筛、后精修”的分层策略。

五、从算法到生产力：MaXFlow 3.11首次集成MLP

再好的算法，若停留在命令行和脚本里，也难以规模化落地。创腾科技的MaXFlow分子模拟与人工智能平台在3.11版本中，首次集成机器学习势（MLP）功能，把上述能力封装成开箱即用的可视化组件。

本次集成的核心亮点：

• 内置三大预训练模型：ANI-1x、ANI-1ccx、ANI-2x直接可选，无需自行训练或配置，覆盖有机小分子、高精度算例与含F/Cl/S的类药体系。

• 四类即用组件：MLP单点能、几何优化、振动分析、热力学性质计算，对应上文三大落地场景，全部以组件形式提供。

• 可视化拖拽式工作流：把MLP组件与虚拟筛选、分子生成、ADMET预测、分子动力学、结合自由能等已有能力自由编排，一条工作流跑通“生成—模拟—评估”闭环。

• 无缝衔接“粗筛+精修”：在同一平台内用MLP高速粗筛、再对关键结构调用DFT/更高精度方法精算，兼顾效率与可靠性。

对研发团队而言，这意味着MLP不再是需要专门写代码、配环境才能用的“高门槛技术”，而是化学家、材料研究者在图形界面上拖一拖、连一连就能调用的日常工具。无论是药物设计中的构象与结合能评估，还是材料、精细化工中的结构优化与热力学筛选，都能因此显著提速。

图1 机器学习势应用工作流

图2 基于机器学习势计的频率计算结果

六、从药物到材料：NeoMD引擎让MLP走进高分子材料体系

MLP的价值并不止于小分子药物体系。在MaXFlow 3.14版本中，创腾自主研发的材料分子动力学引擎NeoMD专为高分子与材料体系打造——除TEAMFF、GAFF2等通用力场外，原生支持TorchANI等机器学习势，实现力场参数自动指派，并支持GPU加速。基于机器学习势，NeoMD已可标准化预测材料的关键性能：

• 热性能：玻璃化转变温度（Tg）及线/体热膨胀系数。

• 流变性质：剪切粘度等，服务于加工成型与配方工艺评估。

• 力学性质：应力-应变曲线、杨氏模量、拉伸强度等，支持匀速、匀应变、定拉伸率、正弦振荡等多种应变施加方式。

图3 NeoMD引擎支持的机器学习势类型

图4 NeoMD引擎计算工作流示意

更进一步，创腾团队还在推进通用机器学习势精调（fine-tuning）的相关研究——在通用预训练势的基础上，用用户自有体系的少量高精度数据做针对性精调，兼顾通用性与体系特异性。这意味着，即便目标材料落在预训练模型覆盖的化学空间之外，也能以很低的计算成本，获得贴合自身体系的高精度势能面。

总结：一次“方法论”层面的升级

机器学习势的意义，不只是“又快了一点”，而是重新定义了精度与速度的权衡边界——它让研究者第一次可以在接近量子化学精度的前提下，去做过去只有力场才敢想的规模与通量。当ANI这样成熟的通用模型，遇上MaXFlow这样把它产品化、工作流化的平台，MLP就从论文里的前沿方法，真正变成了每个研发团队都能上手的生产力工具。

---

分子模拟正在被重塑，而这次你不需要成为算法专家，也能站上这波浪潮。创腾科技作为国内领先的AI for Science（AI4S，科学智能）服务商，构建了贯通“数据-模型-决策”全链路的科学智能平台。其核心价值在于解决AI4S落地过程中的数据孤岛、模型应用门槛高及决策缺乏依据等痛点，通过自主可控的技术矩阵，实现研发数据的资产化、模型的自由化以及决策的智能化。

想体验MaXFlow的MLP功能？可以登录创腾科技官网，了解创腾科技在分子模拟与AI设计（CADD/AIDD、材料化工）的更多完整解决方案。