Molecular Dynamics分子動力學
給 DFT 人的 MD：力場不是近似的 DFT，它量的是完全不同的東西。
這章的頁面
這章在講什麼
這章只回答一個問題：怎麼從一個座標檔，得到一條你敢在上面掛誤差棒的軌跡。 它處理的範圍從「打開 PDB」到「production 跑完、你能說出這條軌跡支撐得起多強的宣稱」為止，中間所有的決定 —— 力場、水模型、盒型、離子、timestep、控溫、跑幾條、跑多長 —— 全部在這一章裡各有一個位置。
對你來說，這章的真正內容不是操作手冊，而是一次誤差預算的整體替換。在 DFT 世界你的誤差來自哪裡你閉著眼睛都能列：基組（ENCUT）、k-mesh、贗勢、交換相關泛函、有沒有 vdW 修正、smearing。你會為前兩項做收斂測試，因為它們是單調可逼近的 —— 加大就會靠近極限，而且你知道加到哪裡可以停。換到 MD，這份清單整個被抽掉換成另一份：力場的參數化品質、水模型、起始結構、取樣量、replica 數。麻煩的是新清單裡最貴的那一項（取樣）不是單調可逼近的：跑久一點會縮小統計誤差，但不會縮小力場的系統誤差，而且「還有一整片構形空間沒去過」這件事原則上只能反證不能證明。很多人把「多跑 100 ns」當成「把 ENCUT 從 400 加到 500」，這是這一章要拆掉的最大誤解。
力場沒有電子。鍵不能斷、電荷不能轉移、極化被平均進固定電荷裡。凡是需要成鍵、金屬配位化學或質子轉移的問題，答案不會因為軌跡更長而變對 —— 那是 QM 或 QM/MM 的地盤。知道哪些問題不該問 MD，跟知道怎麼跑 MD 一樣重要。
這章不回答的東西：不教任何一種軌跡分析怎麼算（那整章在 Analysis），不教增強取樣的實作（在自由能地景），不教 QM/MM，也不教怎麼調參數去擬合實驗。它更不會告訴你「業界標準是跑多久」—— 這個問題在這章的答案永遠是「看你要宣稱什麼」。
四頁是一條把不確定性從模糊變成數字的鏈。給 DFT 人的 MD 換世界觀：位能面換成經典的、答案換成 300 K 系綜下的分布與時間相關量而不是單點能量。系統建立把整個位能面與邊界條件一次決定完，而它的錯誤幾乎都不會炸給你看；這頁有一個純賺的例子值得記住 —— 立方盒 762,027 原子換成菱形十二面體 535,265 原子，省掉三成、吞吐量約 1.4 倍，而最小影像距離不變，這種不需要新增任何假設的省錢是「便宜」這個硬約束底下最好的一種。Production 設定是一連串換匯：constraints 換掉振動自由度、HMR 換掉質量分布、大 timestep 換掉積分精度，換回來的都是牆鐘時間與 replica 數；唯一的例外是 thermostat，它改變的不是精度而是你在取樣哪個系綜，選錯了跑再久也不會對。最後取樣與收斂把前面所有決定的後果變成一組數字：4 條 replica × 約 87 ns 之下，聚合量的跨 replica CV 在 10% 以下（BSA 2.1%、總 protein–DNA 接觸 4.1%），而紅燈那一層 —— 介面 iRMSD、逐位點距離、groove 量與 DNA RMSF —— 落在 24 到 146%。這一章的產出不是一條軌跡，是一句話：「我的哪些數字可以承擔排序責任，哪些只能拿來講故事。」
教授可能問
用你熟悉的語言講：力場跟 DFT 的關係到底是什麼？點開看參考答案
最容易踩的坑是說「力場是便宜的 DFT」。正確的說法是：力場是一個形式已經寫死、參數事後擬合的經典位能面 —— 鍵長鍵角用簡諧、二面角用傅立葉級數、非鍵用 Lennard-Jones 加固定點電荷。它沒有電子自由度，所以鍵不能斷、電荷不能重新分布，極化效應被平均進那組固定電荷裡。這代表兩件事：第一，它在參數化涵蓋的構形範圍內可以很準，離開那個範圍就沒有任何理論保證，跟泛函「至少形式上是從第一原理出發」的處境不同；第二，你換來的是好幾個數量級的速度，那正是你能對 500,000 個原子取樣百 ns 尺度的唯一原因。把它理解成一個高度專門化的擬合模型，不是一個粗糙的近似解，你後面所有判斷都會比較準。
MD 給你的「答案」是什麼形狀？跟你算一個吸附能有什麼不同？點開看參考答案
吸附能是一個數字，MD 的答案是一個分布。你問「HNH 距離是多少」，正確的答案不是 12 Å，是「在這個系綜下它的分布長這樣、平均在這裡、跨獨立軌跡的散布這麼大」。這個形狀上的差別有一個直接後果：每一個 MD 數字都必須帶誤差棒，而那個誤差棒必須來自獨立的 replica，不是來自同一條軌跡的標準差。 同一條軌跡的相鄰幀高度相關，用它算標準誤等於假裝自己有幾萬個獨立樣本，那是這個領域最常見的統計謊言之一。
「跑久一點」能解決哪些問題、不能解決哪些問題？點開看參考答案
能解決的只有一件事：統計誤差。分布的平均值會收得更準，罕見事件有更多機會出現。不能解決的有三件，而且每一件都比統計誤差貴：力場的系統誤差（跑一微秒也不會讓一個參數化不良的二面角變對）、起始結構的偏差（如果你的軌跡跨不過主要能障，你只是在一個盆地裡取樣得更仔細）、以及模型缺失的物理（沒有電子就是沒有電子）。在算力有限的時候，把時間拿去加 replica 通常比加長度划算，因為前者同時檢驗統計誤差與起始構形的影響，後者只處理前者。
你的模擬跑在 300 K 的 NPT 系綜。這句話對你的結果意味著什麼？點開看參考答案
意味著你量到的每一個量都是系綜平均，而不是某個特定構形的性質；也意味著溫度與壓力是被 thermostat 與 barostat 維持的，而那兩個東西是演算法不是物理。這裡有一個容易被忽略的重點：thermostat 的選擇不是精度問題而是系綜的定義問題。某些做法（例如把速度整體縮放的 Berendsen 家族）會把動能漲落壓窄：平均溫度是對的，分布卻不是正則分布，而且容易出現能量在自由度之間分配不均的病態（flying ice cube），跑再久也不會自己修好。這跟你在 DFT 裡調 smearing 的心態不同：smearing 選錯通常只是收斂性與精度的取捨，thermostat 選錯是你在取樣另一個系綜。
Reviewer 可能問
你的 aggregate 取樣量是多少？為什麼那個量足以支撐你的結論？點開看參考答案
把數字與作用域一起給。你的是 4 條獨立 replica × 約 87 ns、535,265 原子的完整 R-loop 三元複合體。關鍵不在數字大小，而在你能不能用它界定宣稱：聚合量前後半漂移 2 到 17%、跨 replica CV 在 10% 以下，可以承擔排序責任；介面 iRMSD、逐位點量與 DNA RMSF 的 CV 落在 24 到 146%，只能當定性敘述。答「我們跑了領域慣例的長度」是最糟的回答，因為它把責任推給一個不存在的慣例，而且完全沒有回答問題。
你的 replica 是真正獨立的嗎？獨立在哪裡？點開看參考答案
這一問在抓一個很常見的作弊：從同一個平衡化後的構形分出四條、只換亂數種子，跟從四個不同的建系統與加熱過程各自出發，統計意義完全不同。前者共享了整個平衡化歷史，它們的「獨立」只涵蓋速度分配的隨機性。要能防守，就得明講你的獨立性是在哪一層引入的（不同的初始速度？不同的溶劑化與離子放置？不同的平衡化軌跡？），並且承認被共享的那一層不在誤差棒的涵蓋範圍內。你自己的情況要照實寫：四條共用同一個起始座標，換掉的是 integrator、barostat 與初速這三個亂數種子 —— 那是速度層的獨立，不是建系統層的獨立，而換再多種子也解決不了共用起點這件事。誠實地把獨立性的層級寫出來，比含糊地說「四條獨立軌跡」安全。
你用了 HMR 與 4 fs 的 timestep，你怎麼證明這沒有改變你的結果？點開看參考答案
這題不是破口而是一個還沒放上桌的選擇。先把兩把尺攤開：OpenMM 手冊寫的是 constraints=HBonds 之下 Langevin 動力學約可用 4 fs（決定性積分器才是約 2 fs），照這把尺，4 fs 本身就在建議範圍內、1.5 amu 是額外的安全邊際；Amber 生態則習慣 4 fs 配 3.024 Da 的重氫，照那把尺看同一組設定就偏積極。落在兩套慣例中間時，「我照手冊」與「我照 Amber 慣例」都不是完整的回答。可防守的補法成本接近零：一段短 NVE 看能量漂移，加上一段 2 fs、不用 HMR 的對照跑，比對真正拿去打分的那幾個聚合量。特別注意不能拿溫度當證據 —— Langevin 恆溫器會把積分誤差造成的能量漏失吸收掉，溫度計永遠是 300 K，安靜偏掉的是構形分布。做了那兩件事，它從「會被質疑的點」變成「方法段的一句話」。
你的水模型與力場組合有沒有已知的偏差？對蛋白與核酸的介面尤其重要。點開看參考答案
可以守住的答案是把已知問題講在前面，而不是等人指出來。固定電荷力場在高度帶電的核酸介面上，離子與磷酸的作用強度是長期被討論的問題，也因此才有針對離子與磷酸交互作用的修正參數這一整條線；三點水模型在描述水的介電與擴散性質上也有已知的系統偏差。你的防線有兩層：第一，所有宣稱都是同一套力場下的相對比較（WT 與變體、on-target 與 mismatched），系統偏差在雙差裡會大幅抵消；第二，任何依賴絕對數值的敘述都不放進結論。這比宣稱「我們的力場很準」可防守得多。
口試可能問
你為什麼選古典 MD，而不是 QM/MM 或機器學習位能？點開看參考答案
講成三者的可及性與問題匹配度。QM/MM 適合處理切割那一步的化學，但你的問題發生在化學之前的構形檢查點，而且 QM/MM 的取樣量在 500,000 原子的系統上不可能達到你需要的統計。機器學習位能在小系統與特定化學上進展很快，但要涵蓋蛋白加核酸加水這個組成、又要有可用的參數，目前不在你的預算內。古典 MD 是唯一能在這種算力等級（一張消費級 GPU，加上叢集上同時只跑得動個位數 job 的小額配額）之下，對完整複合體取樣到有統計意義的手段。代價一起講：你放棄了任何跟成鍵化學有關的問題，也放棄了絕對能量，只保留構形統計的相對比較。
算力加倍，你會拿去加長度、加 replica、還是加系統條件？為什麼？點開看參考答案
這一問在測你有沒有把取樣分析真的內化。優先序是：先加 replica（因為你的誤差棒與可靠度分層完全建立在 replica 上，而且 n = 2 會系統性高估一致性 —— 逐殘基 top-8 共享從 n = 2 的 6/8 掉到 n = 4 的 3/8），再加系統條件（帶 PAM-distal 錯配的底物，因為 on-target 底物在某些變體上結構性地是 null，沒有條件就沒有動態範圍），最後才加長度。理由要說到底：加長度只縮小同一個盆地裡的統計誤差，加 replica 與加條件則是在檢驗你的結論是否存在。
哪一個 MD 參數最容易被 DFT 直覺誤當成收斂旋鈕？你怎麼處理它，代價是什麼？點開看參考答案
real-space cutoff。DFT 直覺會說「加大一定更準」，所以第一反應是把它從 1.0 nm 推到 1.2 nm 當成免費升級。但力場的 Lennard-Jones 參數是在某個 cutoff 底下配出來的（amber14 這一系的慣例是 0.8 到 1.0 nm 搭 PME），推大不會更靠近真值，只是離開參數化的條件；1.2 nm 是 CHARMM 生態的慣例，換力場才跟著換。正確的處理是把它降級成敏感度測試的旋鈕：要動就固定其他所有參數只動它，再比較你真正要報的那幾個量。代價分兩層講：短期是我放棄了一個看起來白賺的升級，還多付算力做對照；長期省下來的更多 —— 如果當初真的調了，後面每一個數字都會落在一組沒有人驗證過的參數上，而且不會有任何錯誤訊息提醒我。這一題真正在測的是我有沒有把 MD 的參數重新分過類：哪些是可逼近的收斂旋鈕，哪些是力場參數化的一部分，動了就等於換了力場。
如果有人說你的整章結論都只是「力場的產物」，你要怎麼回應？點開看參考答案
不要否認，要重新界定宣稱的層級。可以守住的說法是：本工作宣稱的是在固定力場與固定流程之下，哪些描述符跨獨立軌跡可重現、哪些不可重現，這是精密度（precision）的陳述，不需要力場正確也成立。力場的正確性只有在你要宣稱「這個數字對應到真實的實驗量」時才成為必要條件，而那一步在驗證之前不會發生。把方法學貢獻放在不依賴力場正確性的那一層，是這條路線唯一能全身而退的架構。
AI 對話練習
你是一位同時做過第一原理計算與生物分子模擬的資深研究員。我是計算化學／材料背景，熟 DFT、VASP、吸附能與電催化，剛開始做古典分子動力學。
請跟我一起建一張「誤差預算對照表」。做法：
- 你先問我，在 DFT 裡我通常怎麼決定 ENCUT 與 k-mesh、以及我怎麼知道可以停。
- 然後你逐項給我 MD 這邊的對應項目（力場參數化、水模型、起始結構、盒子大小、timestep 與 constraints、取樣長度、replica 數）。每給一項，我要先自己回答三件事：它對應到 DFT 的哪一項、它是不是單調可逼近的、以及我要用什麼檢查決定它夠不夠。
- 我答完你再糾正。特別注意抓出我把「非單調」的項目當成「單調可逼近」來處理的地方，並說明那個誤會會在下游造成什麼具體的錯誤結論。
- 最後把整張表整理成兩欄，並在每一列標上「這一項答錯的代價：高／中／低」，附一句理由。
不要安慰我，也不要略過我答對的項目的漏洞。
我要向你解釋一個命題：在分子動力學裡，增加模擬長度只縮小統計誤差，不縮小力場的系統誤差，也不保證跨得過主要的構形能障。
你扮演一位聰明但完全沒做過 MD 的計算材料研究生。規則：
- 我每講完一段，你只能做三件事之一：指出我用了沒定義過的名詞、指出我的因果推論跳步、或指出我講的東西無法從我前面說過的推出來。發現任何一項就立刻打斷，不要等我講完。
- 至少挑戰我一次：「那你怎麼分辨『這個現象不會發生』跟『我沒跑到它發生』？」
- 至少挑戰我一次：「既然統計誤差會隨時間下降，那我一直跑下去，誤差棒不就任意小了嗎？那不就等於答案很準？」
- 不要幫我補完我沒講清楚的部分，也不要展示你自己的知識。
我講完後請列出：我漏掉的關鍵環節、我講錯的地方、以及一個「如果我真的懂了就答得出來」的追問。
你是一位務實、討厭空話的計算組 PI。我要向你報告一份分子動力學的算力配置計畫，你的工作是挑戰它。
我的條件：系統是一個約 535,000 原子的蛋白–RNA–DNA 三元複合體，目前有 4 條獨立 replica、每條約 87 ns。算力是一張消費級 GPU，加上叢集上同時只跑得動個位數 job 的小額配額，儲存空間也很緊。目標是建立一套便宜、可大量篩選的變體排序流程，最後寫成方法學論文。
請你：
- 先問我三個問題，確認我打算用哪些描述符打分、我的儲存策略、以及我要比較幾個變體與幾種底物條件。
- 然後要求我提出一份配置方案（跑幾個條件、每個條件幾條 replica、每條多長、存檔頻率多少），我提出後你逐條挑戰。
- 特別針對三件事逼問我：我的方案有沒有一個「本來就該是 null」的對照條件、我的 replica 獨立性是在哪一層引入的、以及儲存空間會不會在計畫的第幾週爆掉。
- 最後給我一張最小可行配置表，標出算力減半時要先砍哪一格、砍掉之後我失去的是哪一句宣稱。
回答要具體到我可以照著寫 job script，不要給我原則性的建議。