三個痛，三層解法為什麼化學系需要 AI 研究工具——文獻層、勢能層、管理層
化學系研究生的 AI for Computational Chemistry 入門
先承認三個痛 它們不是同一種痛，所以不該期待同一種藥
文獻追不完HER／HEA 關鍵字一年數百篇。組會前用兩小時「掃」二十篇摘要——那不叫回顧，叫止痛。
DFT 排不完百原子 slab 一次優化半天起跳。「不同位點的吸附能分布」＝幾百次優化＝畢業以後的事。
傳統力場靠不住EAM 沒有你的五元參數；ReaxFF 重擬合是博士後等級工程；表面吸附的精度撐不起結論。
三種痛分屬三層——分清楚層，才知道該期待什麼、提防什麼
三層工具地圖 本課程的全部骨架，一張圖
文獻層幫你「知道」，勢能層幫你「算」，管理層把研究串起來
精度—成本階梯 MLIP（machine-learned interatomic potential）補上空了三十年的一階
接近 DFT 的精度 × 接近力場的速度——條件：訓練分布內
把數量級背起來 相鄰階之間差幾個零，決定哪些題目可做
| 方法 | 典型可及體系 | 時間尺度 | 相對單點成本 | 參數來源 |
|---|---|---|---|---|
| 古典力場（EAM / ReaxFF） | 10⁵–10⁸ 原子 | ns–μs | 1 | 人工擬合 |
| MLIP（本課程） | 10³–10⁶ 原子 | ps–ns | 10–10³ | DFT 資料訓練 |
| DFT（GGA） | 10²–10³ 原子 | ~ps（AIMD） | 10⁶–10⁸ | 第一性原理 |
| CCSD(T) | 10–10² 原子 | 單點 | ≥10¹⁰ | 第一性原理 |
數量級示意，隨實作與硬體浮動；重點是相鄰階的差距
體系放大 10 倍：DFT 慢 ~1000 倍（O(N³)），MLIP 慢 ~10 倍（O(N)）
全課程最重要的概念：訓練分布 training distribution
MLIP 像一個「背熟幾百萬筆 DFT 結果的學生」：
考古題範圍內又快又準；超出範圍——一臉自信地亂答，而且不臉紅。
考古題範圍內又快又準；超出範圍——一臉自信地亂答，而且不臉紅。
- 「這個模型可不可以信？」永遠先問：「這題在不在它的考古題範圍裡？」
- Ch2 給它操作型定義；Ch5 給你血淋淋的數字（分布外誤差可差一個數量級）；Ch6 教你在研究裡管理它
每章都會回到這個概念——它是所有資料驅動工具共同的可信度邊界
為什麼跟你有關：HEA 的組態爆炸 high-entropy alloy（高熵合金）
5⁹ ≈ 2×10⁶
五元 HEA fcc(111) 一個 top 位點
第一配位圈（9 原子）的元素組合數
第一配位圈（9 原子）的元素組合數
~10²
你的 DFT 預算
實際算得起的位點數
實際算得起的位點數
- 每種局部環境的吸附能都不同 → ΔGH 是一個分布，不是一個數
- 解法（Ch6 完整劇本）：DFT 算幾百個（訓練＋驗證）→ 微調 MLIP 掃幾萬個（統計分布）
三層工具在同一個研究問題上各就各位——這是本課程最後一章的劇本
現代計算化學工作流 接下來十二週你會反覆回看這張圖
研究問題
→
deep research
文獻地圖 · Ch1
文獻地圖 · Ch1
→
foundation model
預鬆弛初篩 · Ch5
預鬆弛初篩 · Ch5
→
DFT
少量、關鍵
少量、關鍵
→
微調 MLIP
Ch2–4
Ch2–4
→
大規模取樣
分布 · Ch6
分布 · Ch6
→
詮釋與寫作
知識庫 · Ch1
知識庫 · Ch1
貴的方法（DFT）只用在關鍵處，便宜的方法（MLIP）負責量——「中間層」思維是整條工作流的靈魂。
AI 不是取代你的專業，是把你的 DFT 預算花在刀口上
常見誤解 先打掉，後面的章節才進得來
「AI 會取代計算化學家」工具鏈位移了。會用 MLIP 的人變多之後，懂得驗證 MLIP 的人才稀缺。
「MLIP 是新的理論層級」不是。它是 DFT 的廉價代理，上限就是訓練它的那套 DFT——含所有系統誤差。
「有 foundation model 就不用跑 DFT」Ch5 用官方文件打破：表面與吸附問題，不微調連定量都談不上。
「AI 給的引用可以直接用」引用只保證來源存在，不保證解讀正確。抽查原文永遠是你的責任。
工具會過期，判斷不會——查資料、查 license、查 benchmark、設計驗證，這套流程不過期
我學完後應該能說出什麼
- 「文獻、勢能、管理是三層不同的 AI 工具，各自解決不同的痛，不能互相代打。」
- 「MLIP 的速度接近古典力場、精度接近訓練它的 DFT——但只在訓練分布內。」
- 「我的研究裡最值得先導入的是 ___ 層，因為我最大的瓶頸是 ___。」
下一章：讓 AI 幫你查文獻——deep research 的迴圈與 RAG（教材 ch00 / 練習 exercises/ch00.md）
從「會跑計算」到「會指揮一條工具鏈」——這門課的目標