DRUGONE
分子动力学模拟虽然听起来有些硬核，但它是理解凝聚态体系结构与性质的核心利器。从电池电解液设计到绿色溶剂开发，再到材料筛选，处处都离不开这一工具。然而，计算化学领域长期存在一个棘手的问题：能否纯粹基于量子力学计算，在不依赖任何实验参数校正的前提下，准确预测液体的密度、蒸发焓、电导率等宏观性质？这绝非易事。
字节Seed团队最近给出了一个漂亮的答案——他们提出了ByteFF-Pol，一种由图神经网络参数化的可极化有机通用力场。与传统力场及绝大多数机器学习力场不同，ByteFF-Pol的训练完全基于高水平量子化学数据，未使用任何实验数据。关键思路在于：引入与ALMO-EDA能量分解分析相匹配的物理驱动势函数、可极化模型，以及全新的训练策略，从而实现了从量子力学相互作用到液体热力学和输运性质预测的“一站式”统一建模。
测试结果非常亮眼：在近百种纯液体、数百种混合液体以及近5000个电解液体系上，ByteFF-Pol在密度、蒸发焓、黏度、电导率和扩散系数预测方面全面超越了现有的经典力场和机器学习力场。这项工作首次证明——无需实验微调，仅从量子力学出发就能直接预测复杂液体的宏观性质，这为数据驱动材料设计和电解液发现开辟了一条全新的技术路线。
先聊聊分子动力学模拟的价值。它已成为现代材料科学和生命科学的标配工具，通过追踪原子尺度的运动，研究人员能“看见”那些实验难以直接测量的微观现象——分子如何扩散、溶剂化结构如何形成、相变如何发生。这些能力让它在药物发现、新能源材料设计、绿色化学等领域大显身手。
决定模拟准确性的核心是力场。传统力场如AMBER、CHARMM、OPLS，依靠固定函数形式和经验参数描述原子间相互作用，计算效率不低，但准确性很大程度上依赖误差抵消，通常需要大量实验数据参与参数优化。
近年来，机器学习力场使量子化学势能面的拟合能力有了质的飞跃。然而纯机器学习方法也有短板：需要海量量子化学数据训练，且预测复杂凝聚态体系性质时泛化能力往往不足。有些性能不错的模型，最终还是得引入实验密度等数据做后期微调。
另一方面，可极化力场能够显式描述电子云对环境变化的响应，被认为是模拟电解液这类复杂体系的重要方向。但现有可极化力场仍然存在参数化繁琐、化学空间覆盖有限、跨体系迁移能力不足等问题。
ByteFF-Pol正是冲着这些挑战而来——目标就是构建一种兼具量子化学准确性、传统力场效率以及机器学习泛化能力的通用有机力场，实现从微观电子结构到宏观液体性质的直接预测。
方法
ByteFF-Pol采用图神经网络驱动的参数化框架。模型先从分子图中提取原子和键特征，然后通过边增强图Transformer学习局部化学环境表示，最终生成键参数和非键参数。与传统查表式参数化不同，这种方法能自动适应不同化学环境，大幅提升力场的迁移能力。
在非键相互作用方面，ByteFF-Pol将总能量分解为五部分：排斥、色散、静电、极化和电荷转移，并让这些分量与ALMO-EDA能量分解结果严格对应。训练阶段，团队构建了一个包含60790个分子二聚体、约600万个构象的大规模量子化学数据集，采用ωB97M-V/def2-TZVPD水平计算，并用ALMO-EDA分解结果作为监督信号来训练模型。
整个训练过程分为三步：预训练阶段学习化学环境表示；主训练阶段拟合量子化学能量分解项；最后通过扭转势能面微调保证分子内部构象精度。训练完成后，模型可以直接输出OpenMM兼容的力场参数，用于大规模分子动力学模拟。
图1：ByteFF-Pol整体框架示意图，包括图神经网络参数生成、ALMO-EDA监督训练以及分子动力学模拟流程。
结果
ByteFF-Pol整体框架实现量子化学驱动参数化
研究人员首先展示了ByteFF-Pol的整体设计框架。系统利用图神经网络直接从分子拓扑生成力场参数，并通过ALMO-EDA分解能量进行监督训练。相比传统依赖人工参数库的方法，这个框架能自动学习不同化学环境下的相互作用规律，实现真正的数据驱动参数化。
模型训练完成后，仅需一次前向传播就能生成整个分子的力场参数，直接应用于标准分子动力学软件进行模拟。这种设计同时兼顾了参数生成效率和物理可解释性。
准确重建量子力学相互作用能
为了验证微观层面的准确性，团队首先评估了ByteFF-Pol对量子化学相互作用能的拟合能力。
在验证集上，模型对总相互作用能预测的平均绝对误差仅为0.36 kcal/mol。进一步分析发现，模型不仅能够准确重现总能量，还能分别重建色散、静电、极化和电荷转移等不同能量分量。
在中性分子二聚体体系中，ByteFF-Pol能准确捕获由色散主导的弱相互作用；在锂离子与有机分子体系中，则能有效描述静电和极化效应。虽然短程极化能存在轻微高估，但不同能量项之间形成了合理的误差补偿，使总能量仍然与DFT结果高度一致。
再来看多分子簇体系。无论是氢键网络、π-π堆积体系还是离子溶剂化簇，ByteFF-Pol均能准确再现实验和DFT优化结构及结合能，展现出优秀的多体效应泛化能力。
图2：ByteFF-Pol与DFT在二聚体扫描、多分子簇结构及结合能预测中的比较结果。
精准预测液体热力学性质
接下来看宏观层面。在96种纯有机液体上，ByteFF-Pol能准确预测密度和蒸发焓，表现超过经典力场OPLS-AA和AMOEBA。值得注意的是，ByteFF-Pol完全没有使用任何实验热力学数据参与训练，而对照力场均包含实验数据参数优化过程。
引入核量子效应修正后，模型对密度预测的平均误差降到了2.3%，蒸发焓误差降到7.5%，在所有比较方法中表现最佳。
扩展到595个二元液体体系和CRC数据库超过2000种纯液体的测试，ByteFF-Pol仍然保持较高预测精度。有趣的是，预测性能主要取决于局部原子化学环境是否被训练集覆盖，而非具体分子是否出现在训练集中——这说明模型真正学到了可迁移的化学规律。
此外，模型还成功预测了介电常数、热膨胀系数和等温压缩系数等复杂热力学性质，进一步证明了其物理合理性。
图3：ByteFF-Pol在纯液体、混合液体及大规模CRC数据库中的热力学性质预测结果。
电解液设计中的应用验证
电解液体系是验证力场能力的试金石——因为其性质同时受极化、离子相互作用和溶剂结构等多种因素影响。
在88个电解液密度数据集、91个黏度数据集以及4896个电导率数据集上的测试表明，ByteFF-Pol全面优于OPLS-AA、OPLS-AA-SC以及AMOEBA。尤其在电导率预测任务中，模型达到了0.95的Pearson相关系数，明显优于所有对照方法。
实际应用案例也很能说明问题。对于不同锂盐浓度体系，ByteFF-Pol不仅准确预测了电导率数值，还能正确识别最佳导电浓度对应的位置。对于−40°C到75°C范围内的宽温电解液体系，模型同样保持良好预测能力。
另外，在溶剂扩散系数预测中，ByteFF-Pol正确捕获了实验趋势，优于传统固定电荷模型。可以预见，这一能力对于未来锂电池电解液设计和筛选具有重要价值。
效率方面，ByteFF-Pol也保持较高水平：在A100 GPU上，10000原子体系模拟速度约为40 ns/day，显著快于大多数机器学习力场。
图4：ByteFF-Pol在电解液密度、黏度、电导率、扩散系数及实际电解液设计案例中的应用结果。
讨论
ByteFF-Pol为“从量子力学直接预测宏观液体性质”这一长期目标提供了新的解决方案。与传统依赖实验校正的经验力场不同，ByteFF-Pol完全基于量子化学数据训练，却能准确预测液体密度、蒸发焓、黏度、电导率和扩散系数等关键性质。
核心创新在于将物理驱动势函数与图神经网络参数化相结合。一方面，通过显式引入极化和电荷转移项，使宏观行为能自然地从微观相互作用中涌现；另一方面，图神经网络提供了优秀的化学空间泛化能力，使模型能在未见过的分子体系上实现零样本预测。
与纯机器学习力场相比，ByteFF-Pol无需海量训练数据就能获得优秀的迁移性能；与传统力场相比，则摆脱了实验参数依赖。这使它成为真正意义上的“从头算”通用有机力场。
当然，目前的模型对卤键、σ-hole等各向异性相互作用的描述仍有提升空间。未来通过引入更复杂的势函数形式和更丰富的量子化学数据，有望进一步提高复杂液体体系的模拟精度。
总的来说，ByteFF-Pol成功架起了量子力学与液体宏观性质之间的桥梁。它为电解液设计、绿色溶剂开发以及数据驱动材料发现提供了新的基础设施，也展示了字节Seed团队在AI4Science与计算化学领域的重要进展。
整理 " DrugOne团队
参考资料
Zheng, T., Xu, X., Wang, Z. et al. Bridging quantum mechanics to liquid properties via a universal organic force field. Nat Commun (2026).
https://doi.org/10.1038/s41467-026-73566-3