对势：一切的起点
最早的分子动力学，用的是最简单的模型——对势。两个原子之间的相互作用，就只算这两个原子的事，不考虑周围其他原子的影响。最具代表性的就是 Lennard-Jones 势（简称 LJ）。
LJ 的公式看起来复杂，但本质上它就说了两件事：
- 原子靠太近会互相排斥
- 离远了会轻微吸引
这个"排斥-吸引"的平衡点，就是原子的平衡距离。就是这样一个简单的模型，硬是撑起了分子模拟的半壁江山。为什么？因为它足够简单。简单到任何一个新人，花五分钟就能看懂、三天就能上手跑起来。LJ 就像编程里的 "Hello World"，不是不能用，它是一切的起点。
但 LJ 的局限也很明显：它只能描述惰性气体这类简单的球状原子，稍微复杂一点的体系，比如金属或者有化学反应，它就无能为力了。简单和精确，往往是一对冤家。
多体势：金属模拟的基石
LJ 搞不定金属，这不是 LJ 的错——金属键的本质是多体相互作用。不能把金属原子之间的关系简单理解成两个球之间的排斥和吸引，周围其他原子的存在会显著改变这两个原子之间的相互作用。
于是多体势来了，其中最成功的就是 EAM（Embedded Atom Method，嵌入原子方法）。
EAM 的思路很巧妙：每个原子就像"嵌入"在一个电子海里，它的能量不仅取决于自己和邻居的距离，还取决于周围电子的密度。这个"密度"，就是多体效应的体现。EAM 出现之后，金属模拟才真正成为可能。位错、晶界、辐照损伤、纳米颗粒，这些金属领域的经典问题，终于有了靠谱的计算工具。
后来又出了 MEAM（Modified EAM），它在 EAM 的基础上加了方向性，能够描述半导体、含方向键的体系，比 EAM 更精确，但参数更多、门槛更高。
EAM 使用注意：
- EAM 是金属模拟的基石，至今仍然是行业标准，但它不是万能的
- 描述金属和氧化物的界面、或者涉及电荷转移的体系，EAM 就需要打补丁
- EAM 参数是拟合出来的，不同文献的参数可能有些微差异，做模拟的时候最好用文献里验证过的参数
全原子力场：有机分子与生物体系的主角
如果说 EAM 是金属的老大，那全原子力场就是有机分子和生物体系的主角。
有机分子和金属不一样，它们有明确的化学键（碳-碳、碳-氢、氧-氢），这些键有固定的键长和键角，不是随便拉扯的。全原子力场就是来处理这个的：它把每个原子分成不同类型（比如碳原子在 sp² 杂化和 sp³ 杂化里是不同的类型），然后给每种类型定义键长、键角、二面角、非键相互作用。一套完整的力场就是这样一套规则手册。
这个领域里有"三座大山"：
- CHARMM：诞生于哈佛，最早是给蛋白质设计的，后来扩展到生物大分子，在生物体系里积累最深，很多经典工作都是用 CHARMM 做的
- AMBER：名字取自氨分子，最擅长核酸和蛋白质，它的参数大多来自量子化学计算，精度上比较纯
- OPLS：最早是用来模拟有机液体的，后来也被广泛用于生物体系，它的特点是比较均衡，有机和生物都能用，兼容性好
还有 GAFF（General Amber Force Field），顾名思义就是 AMBER 的通用版，专门给那些没有现成参数的有机小分子用的。去 PubChem 拉一个结构，GAFF 基本都能给出参数。
这三个力场没有绝对的优劣：CHARMM 在蛋白质里用得多，AMBER 在核酸里有优势，OPLS 做有机液体比较稳。重要的是用哪个就坚持用哪个，不要混着用。不同力场的参数体系不一样，混用就像把宝马的发动机装到奔驰的车身里，不是不行，但容易出问题。
另外，全原子力场是固定拓扑的，化学键是预设的、不能断。这意味着要模拟化学反应、键的断裂和形成，它就不太灵了。
反应力场：让化学键"动"起来
化学键不能断，这是全原子力场最大的痛点。但很多问题恰恰需要断键：燃烧、腐蚀、催化、辐照损伤……这些过程里，化学键是动态变化的。
反应力场就是来解决这个问题的。
ReaxFF 是最著名的代表，它不再预设固定的键，而是用键级的概念——两个原子之间有没有键、有多强，是根据它们之间的距离动态计算的。这样，键可以断开，也可以重新形成。模拟化学反应第一次成为可能，虽然代价是计算量比普通力场大十倍不止。
COMB3 是另一个代表，主要用于氧化和燃烧，它在描述电荷转移方面比 ReaxFF 更精细。
ReaxFF 使用建议：
- ReaxFF 是革命性的，第一次让模拟化学反应不再是科幻，但别神话它
- ReaxFF 的参数拟合难度很大，不是随便一套参数就能搞定所有体系
- 它的精度介于 DFT 和普通 MD 之间，做定性研究可以，做定量预测还是要小心
- 建议用 ReaxFF 做探索性的机理研究，看看反应路径可能有哪些，然后用 DFT 对关键步骤做精确验证，这样既有效率，又有精度
粗粒化：用精度换尺度
到这里体系都是全原子的，每个原子都清清楚楚。但有些问题原子太多算不起——蛋白质折叠、膜融合、聚合物相变，这些过程涉及毫秒甚至秒的时间尺度，全原子算到天亮也算不完。
粗粒化来了。思路很简单：把几个原子打包成一个"珠子"。比如 MARTINI 力场，4 个水分子合成 1 个珠子，这样体系瞬间缩小四分之一，时间步长可以放大十倍，模拟速度提高几百倍。
常见的粗粒化模型有：
- MARTINI：最流行的生物粗粒化力场，水、脂质、蛋白质都能用
- SDK：日本学者开发的，适合蛋白质
- United-Atom：不把氢原子单独表示，而是和碳合并
粗粒化是用精度换尺度，这是智慧还是取巧，取决于要回答什么问题。如果关心的是原子级别的细节，比如药物和受体的精确结合模式，粗粒化帮不了忙；但如果关心的是大尺度行为，比如蛋白质的整体折叠路径、膜的弯曲刚度，粗粒化就很有价值。
另外，粗粒化有个反向映射的问题——珠子可以再映射回原子，但这个过程不一定完全可逆。粗粒化做出来的结果，最好还是用全原子模拟验证一下。
机器学习势函数：未来的方向
2010 年以后，机器学习势函数突然火起来了。
传统的势函数，不管是 LJ 还是 EAM，都是人手工设计的——人想一个函数形式，然后拟合参数。机器学习不一样，让神经网络自己从数据里学势能面。代表性的工作有：
- Behler-Parrinello 神经网络（2012 年）：开创性工作，用原子周围的对称函数描述环境，神经网络学习能量和力的关系
- GAP（Gaussian Approximation Potential）：英国学者发展的，用高斯过程，精度很高但计算量大
- DeepMD：中科大的工作，端到端学习，最近几年很火
- PhysNet：把物理先验嵌入神经网络
为什么机器学习势函数这么火？因为它兼顾了精度和效率——传统力场要么快但粗糙（如 LJ），要么精确但慢（如 DFT），机器学习势函数可以做到接近 DFT 的精度，同时保持 MD 的速度。
机器学习势的现状：
- 最大的问题是数据鸿沟：需要一个训练集，用 DFT 算出几百到几千个构型的能量和力，然后让神经网络学。训练集的质量直接决定了势函数的精度，如果研究的体系和训练集差太多，预测就会跑偏
- 另外一个隐患是泛化能力：神经网络在训练数据覆盖的区域表现很好，但到了没见过的区域，可能会给一个离谱的预测，这叫分布外（out-of-distribution）问题
- 目前的判断是：机器学习势函数是未来，但现在还在基础设施建设阶段。每换一个体系，往往需要重新训练一个势函数，真正的通用势函数还没出现
力场选型速查表
| 体系类型 | 推荐力场 |
|---|---|
| 惰性气体、简单流体 | LJ |
| 金属、合金 | EAM |
| 有机小分子、溶剂 | OPLS 或 GAFF |
| 蛋白质、核酸 | CHARMM 或 AMBER |
| 需要模拟化学反应 | ReaxFF |
| 特别大、时间特别长的生物体系 | MARTINI |
| 需要 DFT 精度但要 MD 规模 | 机器学习势函数 |
几条铁律
- 用成熟的，别自己发明
- 查文献——看看同类型体系前人用什么
- 不同力场的参数体系不要混用
- 永远用小体系先验证，再放大
另外，针对特定体系开发的力场还有很多，比如专门针对黏土的、钙钛矿的、沸石的、聚合物电解质的。这些力场通用性没那么强，但在自己的领域算得很准，具有很强的公信力。如果正好在做相关体系，不妨去文献里搜一搜——有时候专精比通用更靠谱。
结语
想要的精度越高，计算成本越大；想要的尺度越大，牺牲的细节越多。这不是分子模拟的特殊现象，这是整个科学的常态——不可能既要又要。
选力场如此，选研究方向如此。理解研究对象，选一个最合适的模型，这才是做模拟的核心功力和真正分水岭。