在计算材料学与分子动力学（MD）领域，科学家长期受困于一个“不可能三角”：计算精度、通用泛化性与计算速度不可兼得。 这对已经具备海量材料候选结构生成能力的最新的ai模型来说，让“验证与筛选”变成了主要的新材料研发的瓶颈。 第一性原理计算（DFT）：具备量子力学精度与全元素通用性，但算力开销极高，通常只能处理几百到几千个原子的微观体系。 经典经验势（如 MEAM / EAM）：将原子相互作用简化为经验公式，速度极快、可模拟上亿原子，但缺乏通用性，换一种合金或相变条件往往需要重新拟合参数。 通用机器学习势（MLIP）：通过神经网络拟合量子化学势能面，兼顾了精度与泛化能力，但复杂的等变网络（Equivariant Networks）架构极其笨重，计算速度比经典经验势慢上数个数量级。 来自深势科技（DP Technology）、北京科学智能研究院（AISI）与北京应用物理与计算数学研究所的联合团队在 论文《Universal Machine-learning Molecular Dynamics at the Speed of Empirical Potentials》中提出了名为 DPA4C 的全新通用机器学习原子间势函数，首次在保持近第一性原理精度的同时，将计算速度推向了经典经验势的级别。 以往的 AI for Science 研究多聚焦于扩大模型参数与增加训练数据量，但在实际部署中，复杂的张量积与高阶等变特征计算往往导致 GPU 显存带宽与算力利用率低下。 DPA4C 摒弃了纯算法维度的单点优化，采用了软硬件协同设计（Software-Hardware Co-design）范式： 等变物理架构精简：在严格保留旋转与平移对称性的前提下，重构了特征表达路径。 极端压缩的定制 CUDA 算子：针对推理部署的物理约束，手写并融合了底层 GPU 算子，最大限度减少了内存搬运与内核启动开销。 全尺度模型族覆盖：发布了参数量跨度达 49 倍 的 5 种模型变体，构建起覆盖极端轻量到高精度的“精度—吞吐量”前沿阵面。 DPA4C 在精度、推理吞吐量与并行扩展性上均给出了极具冲击力的实测数据（见附图） DPA4C 为 AI 材料研发带来了四个维度的结构性变革： 1. 疏通高通量初筛的“算力堰塞湖” AI 生成的海量晶体结构往往存在大量亚稳态甚至不稳定的虚假构型，必须经过晶格弛豫、有限温度 MD 与相图计算来校验动力学稳定性。DPA4C 将高通量动力学校验的耗时从“数月”直接压缩至“数天”，使下游验证吞吐量得以匹配前端生成能力。 2. 从“理想晶胞”跨越到“工程微观组织” 实际工业材料的力学强度、抗疲劳与腐蚀性能，往往取决于晶界、位错、空位聚集以及微裂纹扩展等非均匀微观结构。以往由于算力限制，高精度模拟无法涵盖这些大尺度缺陷；而 DPA4C 支持的十亿级原子动力学模拟，让 AI 材料设计能够直接模拟多晶组织演变与断裂力学行为。 3. 赋能自驱实验室（Self-Driving Labs）的高速闭环 在“设计 $\to$ 计算筛选 $\to$ 机器人合成 $\to$ 表征反馈”的自动化实验闭环中，DPA4C 极高的推理速度允许系统在机器人合成前，对熔融、结晶与溶液反应路径进行毫秒级的动态预演，将闭环迭代周期大幅缩短。 4. 攻克多元复杂系统与动态相界面 针对成分组合空间极其庞大的高熵合金，以及固态电池中高度复杂的固-固电解质界面演化、原位催化表界面重构等传统方法难以建模的场景，通用势函数的跨元素泛化能力与经验势级速度提供了前所未有的研究工具。 一句话总结，DPA4C 标志着 AI for Science 正在从“纯算法精度探索”迈向“以硬件部署与工业吞吐为导向”的成熟工程阶段，为计算化学与先进材料研发铺设了真正可落地的底层基础设施。