机器学习新突破：让水的模拟又快又准

背景：水是生命之源，但其分子相互作用的复杂性和显著的量子效应使得精确模拟其行为极为困难。传统方法难以兼顾精度与效率，而现有机器学习势函数模型仍无法同时准确预测水的热力学和输运性质。研究目的：研究团队提出基于神经演化势的新型机器学习框架NEP-MB-pol，旨在实现宽温区范围内同时高精度预测水的结构、热力学与输运性质。结论：该模型使用极少量样本训练，在保持量子化学精度的同时计算速度提升5个数量级，首次无需实验拟合即可统一预测自扩散系数、粘度与热导率，为水分子模拟设立新标杆，在化学、材料等交叉领域具有重要应用价值。