一个分子模型要走过两段路。首先，它要学会原子排列、能量与力之间有用的关系；随后，保存下来的模型参数要进入模拟软件，由软件据此计算原子的运动。DeePMD-kit 近期的工程工作集中在第二段路上，为研究人员增添从训练走向实际使用的选择。

2026 年 8 月 19 日发布的 v3.2.0 进一步扩展了可导出 PyTorch 后端、JAX 和 TensorFlow 2 的工作流程。这个版本在加入新模型系列的同时，也推进了训练、导出以及向分子动力学引擎 LAMMPS 部署的相关功能。[1] 这些变化的分量在于，研究人员有了更多衔接模型与模拟软件的方式，原有工作流程也能继续沿用，省去围绕单一机器学习框架整体重建流程的工作。

从这里观察中国 AI for Science（人工智能用于科学研究）的进展，软件维护这部分工作就进入了视野。v3 论文第一作者 Jinzhe Zeng 于 2025 年 2 月加入中国科学技术大学；校方的中文介绍将 DeePMD-kit 的设计与开发列为他的工作内容。[2][3] 这个项目把中国的科研力量与国际软件社区联系起来，其贡献是一件越来越便于复用的科学工具。

保留模拟器，更换计算引擎

架构上的转折早于今年夏天的这次发布。2025 年 2 月的 v3 论文介绍了 DeePMD-kit 如何从早期基于 TensorFlow 的实现，扩展到支持多个机器学习后端。v3 保留了模拟软件包已经使用的 Python 和 C/C++ 接口，将后端选择放在这些接口之后。[2]

可以把后端理解为执行神经网络计算的机器。分子模拟器需要的仍是能量和力；内部的计算机器换了，对外的使用方式可以保持原样。外部接口保持稳定，已有的集成便能在内部持续开发的过程中沿用。

作者比较了不同后端的输出，以检验它们的一致性。后端之间的转换以序列化为基础，也就是把模型保存下来，使另一种实现能够重建它。[2] 这项工程取舍的核心是：底层有更多选择，研究人员现有的工作方式受到更少干扰。

模型文件仍有使用条件

对应版本的后端文档把转换条件写得很清楚：两个后端都必须支持该模型。即使共用一个转换命令，能否迁移仍取决于具体模型架构。文档还区分了训练检查点与导出模型；即便属于同一个框架，这两类文件也各有用途。[4]

较新的 PyTorch 流程采用的导出格式 .pt2，就是一个很能说明问题的例子。这个后缀表明文件是一个 AOTInductor 包，模型对输入的完整要求则要看文件中的其他信息。运行时会读取元数据，选择相应的输入表示方式。因此，文件名只回答了部署问题的一部分。[4]

这项细节直接关系到模型交接。研究人员把模型交给另一个团队时，应当连同文件一起保留导出方式及其要求。否则，“我们用的都是 PyTorch”这句话，有时会掩盖双方对输入数据的不同预期。

8 月的版本加强了这部分软件能力：发布说明介绍了更完整的可导出 PyTorch 后端流程，可接入编译执行与 LAMMPS；JAX 的训练和导出支持、TensorFlow 2 的工作流程也有所扩展。[1] 这些都是持续演进中的具体增量，阅读时要对应所标明的版本，因为旧教程中提到的某些能力限制，已经随着版本演进而改变。

外部模型也能共用模拟基础设施

模型的可移植性也体现在不同模型系列之间。独立插件 DeePMD-GNN 将 MACE 和 NequIP 架构接入 DeePMD 工作流程。它的文档也写明了两者当前的差别：MACE 可以使用可导出 PyTorch 后端，NequIP 则使用常规 PyTorch 后端。[5]

模拟分配到多个进程运行时，这一区别就很重要。当空间上相邻的原子分属不同进程时，神经网络计算就需要跨进程交换信息。插件文档介绍了用于 LAMMPS/PyTorch 流程的通信操作 border_op。它也有供串行运行使用的回退方案，多进程运行所需的进程间通信仍须由相应操作完成。[5]

这个看起来规模不大的插件，由此显出长远价值。研究人员可以将不同模型接入共用的模拟基础设施，同时明确保留每种模型的运行要求。收益在于减少重复的集成工作；至于其他项目中的任意检查点能否原样加载，仍需逐一核对。

编译器仍是科学工具的一部分

安装指南给出了另一项约束：同时启用多个后端时，它们编译后的库必须兼容。指南以 _GLIBCXX_USE_CXX11_ABI 设置为例，说明各个库在交换 C++ 对象时，需要遵循兼容的约定。[6]

这与导出文件内部的模型输入元数据是两个问题。一个关系到模型预期接收什么，另一个关系到周围经过编译的软件能否协同工作。从训练成功到模拟可用，这两个环节中的任何一个出问题，都会中断进程。

指南还介绍了一种独立于具体后端的 C/C++ 编译方式，后端插件在运行时加载。[6] 这种分离给维护者增加了一种软件打包选择，前提是运行时所需的插件仍然可用。某个组件移除了直接依赖，整个应用仍保留着对它的依赖。

一次成功迁移能证明什么

这些变化值得期待，其意义也有清晰的范围。DeePMD-kit 正在减轻科学模型对单一实现的依赖。更多研究人员有望复用他人已经完成的训练、导出和模拟工作。

这里仍有两个问题要分别回答：迁移后的模型能否在目标环境中复现预期计算？这些计算又能否充分描述所研究的化学体系或材料？不同软件实现之间的结果一致，回答的是第一个问题；第二个问题仍需另行验证。

下一次有说服力的演示，可以选定一个明确的模型，将它导出并接入指定的模拟器与硬件环境，核对输出，再以合适的参考结果为依据，评估一项物理性质。软件适用范围的扩大，让这项实验更容易组织起来。科学结果是否成立，仍取决于相应的验证。

来源

1. DeepModeling，DeePMD-kit v3.2.0 版本发布，2026 年 8 月 19 日——后端、导出与模拟部署方面的变化。
2. Jinzhe Zeng 等，《DeePMD-kit v3: A Multiple-Backend Framework for Machine Learning Potentials》，2025 年 2 月预印本，第 1–2 节——架构、保留的接口、序列化与一致性测试。
3. 中国科学技术大学人工智能与数据科学学院，Jinzhe Zeng 教师介绍，2026 年 3 月 23 日——关于其入职、软件工作及 v3 论文作者身份的中文一手资料。
4. DeepModeling，“Backend”，DeePMD-kit v3.2.0 文档——转换条件、检查点的区别，以及导出模型的输入元数据。
5. DeepModeling，DeePMD-GNN 项目文档，访问日期为 2026 年 10 月 9 日——MACE 与 NequIP 的集成、后端差异及 LAMMPS 通信要求。
6. DeepModeling，“Install from source code”，DeePMD-kit v3.2.0 文档——C/C++ 库兼容性与后端插件安装。
7. 罗格斯大学 York 实验室，“Jinzhe successfully defends PhD thesis. Congrats Dr. Zeng!”，2024 年 12 月 16 日——照片来源及相关活动背景。