“力場”長久以來一直激發著我們的想象力，是科幻作品中保護星艦和超級英雄的隱形能量盾。但在科學探索發現的世界里，力場扮演著截然不同的角色——數學模型，讓我們得以窺探物質在原子尺度上的內在本質。

如今，得益于人工智能、GPU 加速和先進仿真平臺的突破，力場技術正邁向具有變革性意義的飛躍——從科幻想象走向主流研發。

事實上，新思科技預測在 2026 年，相較于當前密度泛函理論(DFT)等量子理論方法，機器學習力場(MLFFs，亦被稱為機器學習勢能MLPs)將使原子級仿真速度提升 10,000 倍。

更重要的是，這種速度的提升將開啟一個發現與創新的新紀元。

什么是力場?

這些基于計算機的仿真，其核心在于對原子相互作用的精確建模。為此，科學家通常使用“力場”這種數學框架，來定義原子之間如何相互吸引、排斥、結合(形成分子或晶體)以及演變(如何隨時間或外部影響而變化)。

力場通過描述空間中各點的受力情況或勢能面(例如帶電粒子周圍的靜電勢)，為計算機模型提供“運行規則”，從而指導分子動力學仿真。

原子級仿真讓研究人員能夠探索如催化反應中的化學變化、蛋白質折疊路徑，以及材料在熱與壓力下的響應等現象。在投入昂貴且耗時的物理實驗之前，能夠先通過虛擬仿真的方式進行探索，對于開發和優化新材料、新藥物以及先進納米器件而言至關重要。

然而直到現在，這些研究領域一直受到一個核心瓶頸的限制：精度與計算可行性之間的權衡。

傳統的力場通過固定的公式和經驗參數來模擬原子行為，計算效率高，對簡單系統而言相當有效。但在處理復雜材料和化學反應時力不從心，缺乏支持前沿科研發現和創新所需的靈活性。

相反，基于密度泛函理論(DFT)的仿真在量子層面模擬原子相互作用，能夠提供更好的精度，但計算成本昂貴。使用傳統的 DFT 方法模擬數千個原子可能需要數天或數周，而涉及數十萬甚至數百萬原子的大規模、真實建模幾乎完全不可行。

幸運的是，近年來出現了一類全新的力場模型，不再需要做出這種困難的取舍和權衡。

機器學習力場能夠捕捉龐大體系之間的復雜原子相互作用

機器學習力場的出現

機器學習力場標志著原子級仿真與科學研究的一次突破性飛躍。

機器學習力場不依賴僵硬的預定義公式，而是利用人工智能(通常是深度神經網絡)，通過 DFT 計算產生的量子力學數據進行訓練。這種訓練方式使模型能夠學習原子間相互作用的底層模式，并捕捉支配分子行為的復雜能量勢景。在熟悉的化學環境中，這些模型可以實現接近 DFT 的精度，同時運行速度比傳統量子仿真快數千倍。

相較于傳統力場，機器學習力場能夠隨著新數據的加入進行再訓練，從而適應新的化學空間，使其在不斷演變的科研需求中具備更強的靈活性和適用性。最終帶來的不僅僅是仿真速度的提升;機器學習力場讓原子級建模在更廣泛的問題上變得真正可行，使研究人員能夠探索更真實的場景，并獲得此前難以觸及的洞察和見解。

利用機器學習力場，研究人員可以：

仿真更大規模的系統，從數千個原子擴展到數百萬個原子

探索更長的時間尺度，從皮秒延伸至納秒甚至更長

建模復雜現象，對熱傳遞、機械故障、擴散和化學反應等復雜現象進行建模

所有這些能力對于下一代材料和器件的研發都至關重要。

機器學習力場背后的技術引擎

機器學習力場的出現以及其預期的深遠影響，可歸因于近年來硬件與軟件的持續創新。新思科技所預測的機器學習力場帶來的仿真流程 10,000 倍加速，將由以下四大技術支柱驅動：

人工智能。機器學習力場從龐大的現有量子計算數據中集中學習原子相互作用，并可利用實時生成的合成訓練數據進行快速適配并微調，以適應新的化學環境。

GPU加速。大多數機器學習力場原生設計為在 GPU 上運行。算法、軟件庫和硬件的持續演進將進一步提升訓練和仿真速度。

基于網絡的擴展能力。由于 GPU 內存依然是機器學習力場性能的限制因素，高速互連技術——讓多個 GPU 能夠無縫協同工作——將變得至關重要。這不僅用于提升性能，也使仿真能夠擴展到更大規模的系統。

先進的仿真平臺。新思科技 QuantumATK 這樣的平臺能夠將運行于多 GPU 架構上的機器學習力場與先進的原子級仿真算法結合在一起。這些平臺將多種計算方法(包括 DFT)集成在統一且靈活的 Python 接口下，讓用戶能夠輕松定制工作流，包括機器學習力場的主動學習與微調。

這些技術以及先進仿真工具的普及，極大推動了科研與創新。過去需要超級計算機或數年手動工作才能完成的任務，如今借助 GPU 加速系統僅需數小時即可實現。各行業的科學家也可以通過易用且可擴展的專業軟件平臺，使用這些強大的仿真方法。

隨著越來越多的初創公司、學術實驗室和企業利用這些能力，新思科技認為原子級仿真將在研發流程中不斷普及，如同幾十年前計算機輔助設計(CAD)在機械工程領域中一樣。機器學習力場在這一轉變中發揮著核心作用，使化學反應、熱傳遞和其他復雜現象的大規模、高精度仿真成為可能，而這些在過去幾乎無法實現。

新思科技 QuantumATK 通過大規模原子級仿真加速半導體與材料研發

預期影響：從半導體到醫療行業

由人工智能驅動、GPU 加速的力場技術已經在多個行業展現出影響力。隨著仿真工作流程相比 DFT 等量子方法實現 10,000× 的加速，我們預計在 2026 年將迎來一系列突破：

先進芯片架構的開發。機器學習力場讓開發者能夠模擬復雜的界面與低濃度雜質，從而加速下一代芯片架構的開發，并在制造前評估缺陷的潛在影響。

新型電池材料的發現。科學家正在使用機器學習力場以更快的速度和更高的精度對固態電解質界面和離子傳輸行為進行建模，加速用于電動汽車和電網儲能的新電池化學體系的發現。

精準藥物設計。藥物研發人員正在以原子級精度模擬蛋白質-配體的相互作用，實現快速且準確的候選化合物篩選，從而大幅縮短藥物發現周期。

仿真未來已來

由人工智能驅動、GPU 加速的力場技術正在為科研與創新釋放巨大潛能。當其與先進的仿真平臺結合時，能夠以遠低于傳統 DFT 方法的計算成本，實現對原子相互作用的高精度建模。

2026 年將成為這一領域的關鍵轉折點——力場技術將重新定義原子級仿真的邊界，使過去難以想象的建模與發現成為現實。憑借 10,000× 加速的仿真工作流程，研究人員和工程師將在材料科學、電子學、能源與醫學等領域打開全新的探索空間。

面向主流研發的高精度仿真已經進入全新時代，其影響將跨越行業，并擴展至全球。