原子模型要发挥作用，科学家首先得负担得起模拟原子运动的计算开销。在北京市科委于 2026 年 10 月 30 日发布的一篇访谈中，DPA 研究者 Duo Zhang 谈到一个目标：让规模较小的研究团队也能用得起高精度模拟。DPA4 背后的合作连接着北京科学智能研究院、北京大学、深势科技和应用物理与计算数学研究所。[1]

这一目标如今有了几类研究成果作为依据：侧重精度的模型、面向快速模拟的设计，以及另一团队加入更多物理作用的扩展。把这些成果放在一起看，可以看到这项 AI 研究正在改变实验实际可达到的规模。可观的原子数量还需要配合另外两项信息来理解：这些原子能够被追踪多久，以及模型涵盖了哪些相互作用。

精度与速度各有侧重

DPA4 预印本于 2026 年 6 月首次提交，8 月 20 日修订，着力降低学习原子相互作用的成本。模型先学习能量函数，再由能量求出力，让这两个物理量在数学上保持一致。模型架构遵循原子构型旋转时物理量应有的变换规律。作者报告了无机材料和分子数据集上的结果，并采用经过编译的训练实现，降低从能量计算力的开销。[2]

这些模型学习的是参考计算的近似结果。有效的模型能节省模拟过程中反复执行参考计算的开销，预测质量仍取决于它遇到的原子构型。DPA4 论文分别报告了不同基准测试设置下的表现，单个已保存模型能否解决所有化学问题，仍超出这些结果所证明的范围。[2]

DPA4C 追求的是与之互补的目标：把每一步模拟的成本降到足够低，使大规模重复计算成为现实。北京大学 9 月 17 日发布的 Han Wang 讲座公告，将精度研究与部署工作放在连接原子模型和材料实验的整体研究中介绍。[3] 将模型与实验连接起来，是这项工作的科学目标；更快的计算则是抵达目标的手段。

从设计之初减少重复计算

DPA4C 的特点，在训练完成后的处理上表现得尤其清楚。DeepModeling 8 月 23 日发布的介绍指出，模型学到的原子对函数取决于原子间距和元素类型。函数形式受到这一限制，部署时就能用插值表和缓存的系数代替反复求值。模型从设计之初就为这种替换留出了条件。[4]

内存也得到同样细致的处理。模型学到的逐原子状态按大小受限的数据块处理，局部相互作用计算也省去了 GPU 之间对各层学习特征的传输。设备之间交换的是原子几何信息和物理量输出。随着模拟规模扩大，这种安排改变了存储与通信的负担。[4]

这部分节省，来自一种计算开销较低的模型表示方式。表格表达的是已经学到的行为，模型尚未涵盖的化学规律仍需另行补足。

软件文档给出了具体的操作划分。在 DeePMD-kit v3.2.0 中，训练、冻结和压缩是三个独立步骤。冻结后的中间文件与压缩后的部署归档文件各有用途。文档列出的压缩流程要求使用 CUDA、支持导出的 PyTorch 后端，并将模型设为单精度。[5]

更大的模拟空间，也有自己的时钟

在 300 K、采用周期性边界条件的金刚石碳体系上，DPA4C 预印本报告了用 1,024 块显存为 16 GB 的 NVIDIA V100 GPU 模拟 2.048 × 10⁹ 个原子的结果。83.3–91.2% 的效率指的是弱扩展效率：原子数随 GPU 数量一起增长。[6]

如果在这组 GPU 资源上将原子总数固定在约两百万，效率就只有 6.6–15.7%。随着处理器不断增加，每个处理器分到的局部计算最终会少到难以抵消通信开销。[6]

时间依然紧缺。在十亿原子量级的最大规模测试中，以一飞秒为时间步长，Nano 每天能推进的模拟时间为 0.324 纳秒，Plus 为 0.037 纳秒。一些经验势仍然更快；这里将它们作为计算性能参照，未按相同精度设定基线。在 OMol-0 预留作测试的化学组成上，DPA4C 落后于 DPA4 的程度也比材料基准测试中更大。[6]

更大的模拟空间，为观察空间模式创造了条件。要捕捉缓慢发生的事件，还需要足够长的运动轨迹。能够容纳多少原子，以及能够推进多长的物理时间，回答的是不同的科学问题。

下一步扩展，补上更远处的相互作用

10 月 16 日，又有一项相关进展。新加坡国立大学的研究者发布预印本，介绍了 DPA4C-LR：在局部模型上加入长程静电作用与电响应。其出发点来自物理问题本身：电荷之间的相互作用可以延伸到严格局部模型所覆盖的邻域之外。[7]

研究团队将全局静电计算与模型所学电荷的局部导数计算分开处理，展示的体系包括水、弛豫铁电体、非晶电解质和热界面。这些测试属于扩展模型自身，原始 DPA4C 的规模扩展实验所验证的内容另有范围。这项工作中，海外研究团队沿用并扩展了源自中国的模型架构，成果目前仍处于预印本阶段。[7]

部署条件同样具体。文档中的 DPA4C 快速运行方式，需要把压缩归档文件与支持 GPU 的 LAMMPS/Kokkos 配合使用，并采用导出时记录的推理设置。如果加载归档文件的方式会在每一步把计算转回主机端，预期的速度优势就有损失的风险。[5]

由此逐渐显现的价值，是一套其他团队能够检查、运行并继续扩展的研究工具。从这些进展来看，最有分量的进步，在于让一个科学问题的计算成本变得可承受，同时清楚交代模型所描述的物理作用。对 DPA4C 而言，下一项有说服力的成果，将把计算上切实可行的模拟与一种可由研究者独立检验的材料行为连接起来。

来源

1. 北京市科学技术委员会，关于北京科学模型生态的报道，2026 年 10 月 30 日——对 DPA 研究者的中文访谈及相关机构背景。

2. Tiancheng Li 等，《DPA4：以 EMFA SO(2) 卷积拓展原子间势的精度—成本前沿》，arXiv v4，2026 年 8 月 20 日——模型架构、保持能量与力一致的训练及评估设置。

3. 北京大学，Han Wang 关于材料设计与发现中原子模型的讲座公告，2026 年 9 月 17 日——对该研究计划的中文介绍。

4. DeepModeling，DPA4/DPA4C 研究公告，2026 年 8 月 23 日——压缩、内存使用与分布式执行设计。

5. DeepModeling，《DPA4C 描述符》，DeePMD-kit v3.2.0 文档，访问日期为 2026 年 11 月 1 日——压缩要求、导出归档文件与 LAMMPS 执行方式。

6. Tiancheng Li 等，《以经验势的速度运行通用机器学习分子动力学》，arXiv v2，2026 年 8 月 20 日，第 2.4 节与第 2.6–2.7 节——精度适用范围、硬件、扩展性与模拟时间测量。

7. Yicheng Chen 等，《面向原子尺度材料建模、具有电响应的可扩展长程机器学习原子间势》，arXiv v1，2026 年 10 月 16 日——DPA4C-LR 的数学表述与演示测试。

8. 国际科技创新中心，北京科学智能研究院介绍，2025 年 1 月 3 日——2024 年物质科学论坛照片的来源与图注。