AI赋能多尺度模拟：破解材料研发难题

材料研发中有一个根本性的难题：材料的宏观性能（如强度、韧性、导电性）由原子尺度的结构所决定，但从原子到宏观之间横亘着巨大的时空尺度鸿沟。空间上，原子间距以埃（10-10 米）计，工程部件以米计，相差约 10 个数量级；时间上，化学键振动发生在皮秒（10-12秒）量级，而材料服役寿命以年计，跨越近 20 个数量级。如何在这之间建立可靠的桥梁，是多尺度模拟的核心命题。

一、为什么需要多尺度？单一尺度的局限性

材料的力学行为是跨尺度协同演化的结果。以合金断裂为例：裂纹扩展是宏观尺度的现象，但其驱动力来自原子尺度化学键的断裂，而中间还有晶界与第二相相互作用（微观尺度）、位错运动（介观尺度）等多层机制[1] [2]。任何一个尺度的信息缺失，都会导致预测失准。

更具体的例子：钢材的强度和韧性经常难以兼顾——较高强度的钢种一般断裂韧性较低。要解释这一矛盾，需要在纳米尺度用第一性原理计算原子间的结合力，在介观尺度用位错动力学模型描述剪切带形成和空穴扩展，再将这些信息传递给宏观尺度的连续介质力学模型[3]。

聚合物体系更是如此。从单体化学键的振动（ps 级），到链段松弛（ns 级），再到解缠结动力学（μs 级），最终影响宏观应力松弛现象。这种跨尺度的反馈耦合，使得传统“分层次建模”方法面临根本性挑战[4]。

二、衔接的三种范式

多尺度模拟的衔接策略，主要有三种范式，各有适用场景和局限性。

范式一：层次化建模（Hierarchical）

这是最传统的思路：在每一尺度上提取关键参数，作为上一尺度模型的输入。例如，用第一性原理计算晶格常数和弹性常数 → 输入到分子动力学模型 → 提取位错滑移阻力 → 输入到晶体塑性有限元模型 → 预测宏观应力—应变曲线[1] [5]。这种做法的优点是计算效率高，缺点是信息单向传递，难以捕捉跨尺度的反馈——比如宏观变形如何反过来影响微观结构演化。

范式二：并发式耦合（Concurrent）

在同一计算框架中同时求解多个尺度的方程，实现双向信息传递。典型的如原子—连续介质并发方法（Atomistic-Continuum Concurrent Method），在裂纹尖端附近用原子模拟捕捉键断裂的细节，在远离尖端的区域用连续介质力学描述变形场[2] [5]。

这种做法的物理保真度高，但计算成本极为昂贵。从空间上看，宏观模拟的每一个网格点，对应的是一个微观模拟的完整计算域；从时间上看，宏观模拟的一个时间步，可能包含微观模拟的数十到数百个时间步[2]。这使得传统并发式多尺度模拟难以应用于工程尺度的实际问题。

范式三：机器学习桥接（ML-Bridged）

这是近年来的前沿方向，也是创腾科技 MaXFlow分子模拟与AI平台的产品路线所体现的思路。核心逻辑是：用机器学习替代最耗时的微观—宏观信息传递环节。

▲ 多尺度模拟的时空尺度谱系：
从量子力学（fs/nm）到连续介质力学（ms/mm），机器学习与 ML 势正在成为尺度之间的桥梁

具体做法是：先用高精度微观模拟（如分子动力学、相场模型）在不同边界条件下生成大量数据，训练一个机器学习模型；然后在宏观模拟的每一个网格、每一个时间步，用这个模型瞬时提供所需的微观信息（如位错密度演化、相变进度等）[1] [2]。这样一来，微观—宏观的信息传递从“在线计算”变成了“查表预测”，计算效率可大幅提升，同时保留了微观物理的保真度。

在合金材料领域，已有研究实现了“从原子构型到宏观力学性能的自动化智能预测”——通过生成式机器学习模型，将任意原子构型自动映射为原子级应变张量，再将该离散应变信息通过三维应变场函数引入连续介质仿真和本构模型，最终预测材料的强化机制和塑性变形行为[1]。

在聚合物领域，吉林大学团队开发的 PyGAMD-ChemFAST 框架则代表了另一条互补路线——集成化与自动化：它在同一平台内实现双向跨尺度建模，既能从全原子模型映射到粗粒化模型（粗粒化），也能从粗粒化模型反向重构回全原子模型（细粒化），并自动覆盖从力场参数化到性质分析的全流程[4]。需要说明的是，机器学习在这里以机器学习势（如 DeePMD-kit 训练的深度势）的形式，作为可选的原子间作用势接口接入。这种集成化设计解决了传统多尺度模拟中“多个软件拼凑、参数转换易出错”的痛点。

三、MaXFlow 在多尺度衔接中的实践

创腾科技MaXFlow分子模拟与AI平台的定位，正是上述“机器学习桥接多尺度”路线的产品化落地。

引擎层面

MaXFlow 集成了量子力学（如 QUANTUM ESPRESSO）、分子力学及分子动力学（如 LAMMPS、自主 NeoMD 引擎）等多种计算引擎，支持从电子结构到分子链运动的多尺度模拟[6]。NeoMD 引擎专为高分子与材料体系设计，支持机器学习势（如 TorchANI），可预测玻璃化转变温度、线 / 体热膨胀系数、应力—应变曲线、杨氏模量等关键物性。

▲ 量子力学（QE）计算：电子结构/光学性质模拟结果可视化

▲ 工作流编辑器：QE 引擎与 DFTB/DFT 等方法的组合编排，右侧可直接配置计算参数

▲ OpenBTE 声子输运计算工作流：从结构构建到声子输运求解的全链路自动化

▲ LAMMPS 热力学性质计算：体膨胀系数与线膨胀系数等物性的批量计算与结果汇总

桥接层面

MaXFlow的AI建模能力正是为了解决“微观模拟数据如何指导宏观性能预测”的问题——机器学习模型建立在微观模拟数据之上，学习从微观结构特征到宏观性能指标的映射关系，训练完成后即可对新体系的宏观性能进行快速预测。

▲ 机器学习工作流：从结构特征到目标性质的多分支建模与自动训练

应用层面

MaXFlow将多尺度模拟链条封装为可复用的工作流及应用 APP：从微观结构搭建（支持小分子、聚合物、晶体、表界面、交联结构等）→ 多尺度模拟计算 → AI 训练与应用，用户无需在多个软件之间手动传递数据[6] [7]。

▲ MaXFlow 应用中心：多尺度模拟能力已封装为开箱即用的应用 APP

正如行业专家共识所指出的，跨尺度核心算法与平台的自主可控至关重要，而构建贯穿“表征数据—模型构建—仿真评估—试验验证—工程应用”的全链条验证体系，是加速技术转化的关键[8]。MaXFlow的价值正在于将这条全链条封装为一个可工程化应用的平台。

四、小结

多尺度模拟从原子到宏观的衔接，本质上是如何在计算精度和计算效率之间找到平衡。传统的“分层次”思路效率高但信息单向，并发式耦合精度高但计算量不可承受，机器学习桥接则提供了一条兼顾二者的新路径；以 PyGAMD-ChemFAST 为代表的集成化、自动化框架，也从工程角度为多尺度建模提供了有益补充。MaXFlow 的“分子模拟 + AI 建模 + 工作流自动化”正是机器学习桥接路径的产品化体现——让研发人员不再需要关心“如何衔接尺度”，只需要关注“我要预测什么性能”。

参考资料

[1] ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S1359645425006457

[2] ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0022509625004430

[3] 上海大学材料科学与工程学院. https://smes.shu.edu.cn/info/1014/6555.htm

[4] 化学物理学报. http://cjcp.ustc.edu.cn/hxwlxb/article/id/f5536a7f-fd2e-4ca3-86ab-c09bf2ee52ac

[5] Taylor & Francis. https://www.taylorfrancis.com/chapters/edit/10.1201/9781003762553-9/multiscale-methods-applications-nano-mechanics-materials-liu-hao-vernerey-kadowaki-zhang-liu-park-qian?context=ubx

[6] 创腾科技官网. https://www.neotrident.com/product/ms_chem.html

[7] 创腾科技官网. https://neotrident.com/download/index/41.html

[8] 中国科学技术协会. https://cms.cast.org.cn/xs/XSDT/art/2025/art_0c0bb822574643188e3763032a02f114.htm