分子动力学模拟的“物理引擎”：一文读懂势函数的发展与应用

大家好，我是刘建川（网名刘十三），14年GROMACS实战教学，专注分子模拟核心原理与工具实操，帮你吃透底层逻辑、避开选择误区。

在分子动力学模拟中，原子之间的相互作用如何描述？为何有些模拟精准预测实验结果，而有些却偏离甚远？答案隐藏在**势函数——这一连接微观原子行为与宏观材料性能的“物理引擎”** 中。

1. 势函数：原子间相互作用的数学语言

分子动力学模拟的核心思想是将每个原子看作一个球，原子之间通过类似于弹簧的连接相互作用，整个体系在高维的势能函数面上运动。

势能函数U(即分子力场)由经验函数形式及其参数两部分构成，它是分子内全部原子坐标的函数。

通常，势函数可划分为两大类：通过共价键相互作用的势能和非共价键作用的势能。

共价键作用能包含：

• **键的伸缩能**：描述化学键长度变化引起的能量变化，通常用谐振子模型描述
• **角的弯曲能**：描述键角变化引起的能量变化
• **二面角的扭转势能**：描述绕化学键旋转引起的能量变化
• **非正常二面角扭转能**：为保持分子特定几何结构（如手性、芳环平面等）而引入

非共价键作用能包含：

• **静电作用能**：原子间电荷相互作用，是一种长程作用力
• **范德华作用能**：由瞬时偶极矩引起的相互作用

2. 主流软件中的力场实现

• **GROMOS系列**：GROMACS支持GROMOS-96力场的多个参数集，包括43A1、43A2、45A3、53A5和53A6。这些力场采用独特的四次方键伸缩势和基于键角余弦的角度势函数。需要注意的是，GROMOS力场采用1.4 nm的Lennard-Jones截断半径进行参数化，模拟时需确保使用至少1.4 nm的截断距离。
• **OPLS力场系列**：OPLS（Optimized Potentials for Liquid Simulations）是由Jorgensen课题组发展的通用力场，特别适用于有机分子在溶剂中的模拟。它包含联合原子表示（OPLS-UA）和全原子表示（OPLS-AA）两种版本。GROMACS推荐初学者使用OPLS-AA/L全原子参数集。
• **AMBER系列**：GROMACS原生支持多种AMBER力场，包括AMBER94、AMBER96、AMBER99、AMBER99SB、AMBER99SB-ILDN、AMBER03和AMBERGS。AMBER力场的特点是通过拟合分子周围的电势得到每个原子上的点电荷。
• **CHARMM系列**：GROMACS对CHARMM力场提供了完善支持，包括蛋白质、脂质和核酸的参数。CHARMM力场引入了独特的CMAP校正项，通过对phi和psi主链扭转角进行校正，显著改善了蛋白质在晶体和溶液环境中的结构和动力学性质。
• **对势**：如Lennard-Jones势，适用于惰性气体或简单金属（如Ar、Cu）。虽然能快速模拟液态金属相变，但无法捕捉金属键的离域特性。
• **多体势**：如嵌入原子势（EAM），通过“电子密度嵌入能”刻画金属键的协同效应，被广泛用于铝、铁等金属的塑性变形模拟，可准确计算层错能、表面能等关键参数。
• **反应力场**：如ReaxFF，通过动态键级更新模拟化学键断裂与形成，适用于燃烧、催化等反应体系。
• **COMPASS力场**：这是一个适用于常见有机分子、无机小分子和聚合物的通用力场，通过ab initio和经验参数化技术开发而成。
• **DREIDING力场**：由加州理工学院的Goddard课题组开发的通用力场，其理念是基于简单的杂化考虑使用通用力常数和几何参数，而不是依赖于特定原子组合的个别力常数。DREIDING包含显式氢键项，用于描述氢原子与高电负性原子（N、O、F）之间的相互作用。

3. 势函数的适用范围与选择策略

选择合适的势函数需要综合考虑材料特性、计算目标、数据支撑与硬件资源。

• **金属/合金体系**：优先考虑EAM或机器学习势。例如模拟铝单晶位错运动时，Zhou-Al EAM势因准确描述层错能（与实验值偏差<5%）成为首选。
• **共价材料**：如Si、C体系适用Tersoff势。涉及化学反应的半导体界面（如Si/SiO₂热输运）则需混合Tersoff与ReaxFF势，通过LAMMPS的“hybrid”命令实现跨尺度兼容。
• **生物大分子体系**：AMBER、CHARMM、OPLS等力场是主流选择。这些力场中，静电作用的正确与否直接关系到氢键、盐桥等作用力的合理性，对蛋白质折叠、配体和受体相互作用等研究至关重要。
• **高分子材料**：可采用跨尺度模拟策略，小尺度（<1000原子）采用AIREBO势捕捉C-C键断裂的化学细节，大尺度（>10⁵原子）切换至MARTINI粗粒化势，模拟速度可提升千倍。

4. 极化效应与力场的发展前沿

传统分子力场中，每个原子上的电荷被设为定值，不受周围环境影响。但实际上，生物大分子的运动离不开水溶液，水分子作为极性分子与生物大分子之间存在明显的**极化效应**。

目前已发展出多种极化电荷模型：

• **Drude振子模型**：引入了人为的假想粒子
• **涨落电荷模型**：允许电荷根据环境重新分布
• **诱导多极模型**：计算量巨大，难以与分子动力学模拟结合

5. 机器学习力场发展

近年来，**机器学习势函数** 的兴起标志着模拟进入数据驱动时代。以DeepMD、NEP为代表的神经网络势通过深度神经网络拟合DFT数据，可精准还原复杂体系的势能面。例如，预训练的Pt-O-C神经网络势可精准再现O₂解离能垒（0.7 eV vs. 实验0.68 eV），为高效催化剂设计提供原子级洞察。高斯过程势（GAP）则在小数据集下更具优势，通过贝叶斯推断量化预测不确定性，适合非晶态材料或新型合金的快速建模。

6. 在简化与真实间寻找平衡

势函数的发展历程反映了科学研究的一个基本矛盾：我们需要用有限的数学模型去逼近无限的物理真实。从简单的对势到复杂的机器学习势，每一步进展都是在计算精度与效率之间寻找更优解。

对于研究人员而言，选择势函数时需要以材料化学直觉为罗盘（如键型分析、极性判断），以数据验证为锚点（如晶格常数、反应能垒），构建“假设-模拟-验证-修正”的闭环思维。

随着机器学习与高通量计算的赋能，势函数正从“人工设计的艺术品”进化为“数据驱动的工业品”。未来的材料研发或将迎来“输入元素列表—智能生成势函数—精准预测性能”的范式革命，让模拟真正成为连接理论设计与实验制备的无缝桥梁。