近日，水利土木工程學院尹航團隊在《Cement and Concrete Research》發表題為“A high-efficiency neuroevolution potential for tobermorite and calcium silicate hydrate systems with ab initio accuracy”的研究論文。2023級碩士研究生徐瀟為論文第一作者，尹航副教授、新加坡科技局趙志強博士后、南京航空航天大學張助華教授為論文通訊作者，碩士研究生王世杰、秦海峰參與論文研究，該工作還得到了渤海大學樊哲勇教授的大力支持。山東農業大學為第一通訊單位。

水化硅酸鈣（C-S-H）是水泥水化的主要產物。利用分子動力學（MD）在納米尺度研究C-S-H的結構與力學性能已成為近年來的研究熱點之一。MD模擬的可靠性很大程度上依賴于原子間勢函數和分子力場的選擇，C-S-H體系中多使用ClayFF、ReaxFF等經驗力場，在精度和效率上難以兼顧?；诿芏确汉碚摚―FT）的從頭算分子動力學具有無需依賴經驗力場參數即可模擬動態演化過程的優勢，但計算規模和效率均有較大局限性。機器學習勢函數是一種可以兼顧DFT精度和MD模擬效率的一種解決方案，已在托貝莫來石體系中初步應用，尚未在C-S-H體系的MD模擬中大規模推廣。

論文的核心成果在于開發了一個兼具DFT精度和卓越計算效率的NEP-ZBL機器學習勢（圖1）。在精度上，該模型準確復現了托貝莫來石（9 ?, 11 ?, 14 ?）的晶格常數、狀態方程、彈性常數和聲子譜，達到了與DFT計算相當的水平。其最突出的優勢體現在計算效率上：與AIMD相比，NEP的速度提升了約四個數量級；在CPU上，其速度也遠超ReaxFF一個數量級以上。尤為關鍵的是，GPU加速的NEP比DP模型快數十至數百倍，并展現出優異的系統擴展性，為大規模模擬奠定了基礎。

基于該勢函數的高精度和高效率，成功將其應用于大規模MD模擬。不僅精確預測了托貝莫來石的拉伸力學行為和各向異性的熱導率，展現了其處理復雜物理特性的多功能性。更重要的是，將該模型成功擴展到非晶C-S-H系統（圖2）。構建了包含凝膠孔隙和水分子的超11萬個原子的C-S-H模型，并準確預測了其RDF和力學性能，證明了該NEP-ZBL框架在模擬真實、復雜水泥基材料方面的強大潛力和魯棒性。

圖1 NEP的訓練流程

圖2 NEP在非晶C-S-H中的應用

該研究得到了山東省自然科學基金和山東農業大學青年教師成長計劃的資助。本研究的計算工作由山東農業大學高性能計算中心提供技術支持。

論文鏈接：https://doi.org/10.1016/j.cemconres.2025.108091

編      輯：萬    千 

審      核：賈    波