MatPL 玩转热导率： 热流计算与热浴能量“完美重合”

GPU 版 NEP-LAMMPS 接口补齐核心功能，机器学习力场热导模拟更准、更稳、更可信

MatPL 提供的GPU 版 NEP 机器学习力场接口已成功嵌入 LAMMPS，并在此次更新中实现准确可靠的热流计算，通过了石墨烯 NEMD 计算验证 ——原子热流累计热量与热浴能量交换累计热量完全重合！

本次更新实现了哪些？

• 一边统计：热浴与体系交换的总能量

• 一边计算：原子能量 + 原子 virial 推导的热流

• 最终判据：两条独立路径的累计热量必须高度一致

• GPU 加速：pair_style matpl/nep/kk nep.txt

• 热流计算：compute centroid/stress/atom + compute heat/flux

本次采用44400 个碳原子的单层石墨烯体系测试：

• 温度梯度：350K（热源）→ 250K（热汇），梯度稳定建立

• 核心结论：原子热流曲线 vs 热浴能量曲线基本完全重合

这意味着：MatPL-NEP 不只是能跑 MD，更能给出物理严格正确的热流结果，是后续 NEMD/EMD 热导模拟的关键基石。

 为什么热流必须单独验证？

传统势函数热流计算简单直接，但NEP/DP/MTP 等机器学习多体势完全不同：势能以原子局域能量求和表达，热流的势能部分高度依赖正确的原子 virial 与速度场。一旦接口传递的 virial 不完整或热流算法与势函数不匹配，就会出现“模拟跑得很稳，热流结果全错”的结果，此验证不看温度梯度，只看两条独立路径的热量一致性，是热流计算最直接、最硬核、最有说服力的检验标准。

案例与参考