分子动力学在计算领域是一门有着广泛应用前景与发展潜力的学科。本篇文章将从6个部分介绍分子动力学。
1.分子动力学简介
分子动力学（Molecular Dynamics，MD）是一种计算机模拟方法，用于研究原子和分子在一段时间内的运动。通过解决牛顿运动方程，MD模拟可以揭示分子系统的动态行为和热力学性质。
- 势能面（Potential Energy Surface, PES）
势能面是描述系统中原子的总能量作为其空间位置函数的高维表面。势能面的准确描述对于确定系统中的原子相互作用力至关重要。MD模拟依赖于势能面来计算原子受力，并从而推进系统的时间演化。
- 运动积分算法
在MD模拟中，运动积分算法用于数值求解牛顿运动方程，计算原子的轨迹。常见的积分算法包括：
Verlet算法：简单且稳定，常用于短时间步长的MD模拟。
速度Verlet算法：Verlet算法的改进版，能同时更新速度和位置，具有更好的精度。
Leapfrog算法：位置和速度交替更新，计算效率较高。
速度Verlet算法
速度Verlet算法由于其平衡了精度和计算成本而广泛使用。其步骤如下：
速度更新：
v(t+Δt/2) = v(t) + a(t)Δt/2 位置更新： r(t+Δt) = r(t) + v(t+Δt/2)Δt v(t+Δt) = v(t+Δt/2) + a(t+Δt)Δt/2 力计算和加速度更新：
- 分子动力学中的系综
MD模拟可以在不同的统计系综下进行，以满足不同的热力学条件。常见的系综包括：
NVE系综：粒子数（N）、体积（V）和能量（E）恒定。
NVT系综：粒子数（N）、体积（V）和温度（T）恒定，通过热浴算法控制温度。
NPT系综：粒子数（N）、压力（P）和温度（T）恒定，通过热浴和压浴算法控制温度和压力。
- 机器学习势函数
传统的力场在精度和适用性上存在局限。机器学习势函数，特别是深度势（Deep Potential, DP）模型，通过神经网络从高精度量子力学计算数据中学习势能面，从而提供更高的精度和更广的适用性。
深度势模型
深度势模型使用神经网络对势能面进行建模。通过训练，模型能够捕捉复杂的原子间相互作用，并且在不同的化学环境中保持高精度。这样的模型不仅提高了模拟的准确性，还扩展了MD模拟的应用范围。
6.运算实例
数据集中展示的是一个对于1800K下的Ti体系进行的NPT系综模拟，INPUT文件如下所示
INPUT_PARAMETERS #Parameters (1.General) suffix Ti calculation md esolver_type dp ##dp pot_file Ti_frozen_model.pb ##md md_type npt md_thermostat nhc md_nstep 200000 md_dt 0.8 md_tfirst 1800 md_pfirst 80 md_pmode aniso
这里需要注意，运行MD计算时INPUT文件有几点需要修改。
calculation设置为md，意思是进行分子动力学模拟
e_solver type选取运行MD对应的势能选择，有of,ks,dp等选项。这里选择dp，意思是进行深度势能分子动力学运算
##md一栏下是对于md运算的参数设置。其中md_type选择以什么系综进行模拟。md_nstep是运行的步数， md_dt是运行的时间步长。